Manutenzione Elettromedicali

POLITECNICO DI MILANO
Corso di Laurea Magistrale in Ingegneria Biomedica

Dipartimento di Elettronica, Informazione e Bioingegneria
LA MANUTENZIONE DELLE
APPARECCHIATURE BIOMEDICHE
NELL’ERA DELLE TECNOLOGIE
DIGITALI
Relatore: Prof. Veronica Cimolin

Correlatore: Ing. Daniela Motta
Tesi di Laurea di:

Francesco Raffaele Tranquillo, matricola 905980
Anno Accademico 2018-2019

Ai miei genitori e a mio fratello
Sommario
L’utilizzo delle tecnologie digitali sta innegabilmente assumendo un

ruolo chiave nel progresso tecnologico che, di anno in anno, alza lo
standard tecnologico per quanto riguarda le apparecchiature biomedicali.
La quantità e la qualità dei dati che vengono generati e scambiati dai
dispositivi medici aumentano in modo irrefrenabile e di pari passo
si sviluppano le tecnologie di trasferimento di questi dati, offrendo
connessioni sempre più veloci, più stabili e sicure. Consce di questa
ineluttabile spinta allo sviluppo tecnologico, le aziende produttrici di
tecnologie mediche stanno investendo sempre di più nella gestione e
nell’analisi di quello che, sicuramente, sarà uno dei massimi protagonisti
del prossimo futuro: il dato.
In quest’ottica si inserisce la volontà di utilizzare parte di questa

massiva mole di dati per offrire tecnologie mediche più intelligenti,
che comunichino preventivamente l’insorgenza di un possibile guasto,
diminuendo i rischi per i pazienti e l’onere finanziario delle manutenzioni
correttive.
I
Il carattere innovativo del presente lavoro risiede nel tentativo di utiliz-
zare, in via del tutto sperimentale, metodiche proprie dell’intelligenza
artificiale non, come comunemente accade in ambito clinico, per pre-
vedere l’insorgenza di determinate patologie o migliorare metodi per
la diagnostica per immagini, ma per migliorare la gestione dei dispo-
sitivi medici, obiettivo operativo dell’ingegneria clinica, tentando di
prevederne gli eventi di guasto.
Lo scopo di questa tesi è di indagare quindi le reali possibilità, per

l’ASST di Vimercate, di implementare una strategia di manutenzione
predittiva sulla base delle tecnologie attualmente presenti in azienda.
Il lavoro svolto ha portato allo sviluppo di una web app, destinata al
reparto di Endoscopia, per il monitoraggio delle performance di una
specifica famiglia di dispositivi medici chiamata lavaendoscopi. Nel
software è stato implementato un modulo di manutenzione predittiva
che utilizza diversi modelli di previsione per calcolare la probabilità di
guasto di queste macchine in un intervallo di tempo di 7 giorni. I model-
li ottenuti, sebbene non abbiano raggiunto performance di predizione
tali da essere utilizzati in ambiti diversi da quelli di sperimentazione
e ricerca, rappresentano un buon punto di partenza per lo sviluppo e
la definizione di nuove strategie di analisi per l’implementazione della
manutenzione predittiva basata sull’analisi testuale dei log macchina.
Inoltre, il software sviluppato ha rappresentato un’innovazione dal pun-
to di vista della gestione delle attività del reparto, in quanto si è riusciti
a digitalizzare un importante numero di mansioni che, altrimenti, veni-
II
vano svolte utilizzando carta e penna, con tutti gli svantaggi associati
quali la possibilità di errori di trascrizione, di calcolo e in generale una
non ottimale gestione dei processi. Il tool è stato implementato nella
rete intranet dell’ospedale ed è attualmente in uso presso il reparto.
III
Abstract
The use of digital technologies is undeniably assuming a key role in

technological progress which, every year, rises the standard technological
level for biomedical equipment. The quantity and quality of data that is
generated and exchanged by medical devices are growing uncontrollably
and, at the same pace, data transfering technologies are evolving,
offering faster, more stable and safer connections. Conscious of this
the inevitable push for technological development, the companies that
produce Medical technologies are investing more and more in the
management and in the analysis of what, surely, will be one of the
greatest protagonists in the near future: the data.
In this perspective, the main goal is to exploit part of this massive

amount of data to deliver smarter medical technologies, able to com-
municate in advance the onset of a possible failure, reducing the risks
for patients and the financial burden of corrective maintenance.
The innovative aspect of the present work lies in the attempt to use,
in a purely experimental way, methods of artificial intelligence, not,
V
as commonly happens in the clinical setting, to predict the onset of
certain pathologies or improve methods for diagnostic imaging, but to
improve the management of medical devices by trying to predict failure
events.
Therefore, the purpose of this thesis is to investigate the real possibili-

ties for the ASST of Vimercate, to implement a predictive maintenance
strategy based on the technologies currently present in the company.
The work carried out led to the development of a web app for the de-
partment of Endoscopy, for monitoring the performance of a family of
medical devices called endoscope washers. In the software, a predictive
maintenance module has been implemented which uses different foreca-
sting models to calculate the probability of failure of these machines in
a 7 day time interval. The obtained models, although they have not
achieved professional-ready performances, represent a good starting
point for the future development and definition of new strategies for
the implementation of predictive maintenance based on on the textual
analysis of machine logs. Moreover, the developed software represented
an innovation from the point of view of managing the activities of the
department, as it has been possible to digitalise an important number
of tasks which, otherwise, were still carried out using paper and pen,
with all the associated disadvantages such as writing errors, miscalcula-
tions and lastly a nonoptimal process management. The tool has been
implemented in the internal network of the hospital and is currently in
use in the department.
VI
Ringraziamenti
L’attività di tirocinio svolta presso l’ASST di Vimercate è stata indub-

biamente un’esperienza molto importante per la mia crescita personale
e professionale. Ho avuto modo di lavorare a stretto contatto con il
personale dell’U.O.C Ingegneria Clinica e questo mi ha dato la possi-
bilità di osservare e imparare da professionisti cosa vuol dire lavorare
come ingegnere clinico. Oltre a questo, ho avuto modo di sperimen-
tare l’abissale differenza tra la teoria dei libri, delle dispense, delle
lezioni frontali e la realtà lavorativa, nella quale si incontrano diverse
personalità dalle caratteristiche individuali uniche. Ho avuto modo di
assistere e partecipare a numerose attività che hanno lasciato su di
me un’impronta indelebile e che orgogliosamente conserverò nel mio
“bagaglio culturale” per il loro valore educativo.
Un ringraziamento a tutte le persone che mi hanno supportato in questo

progetto di tesi.
All’Ingegner. Motta, per avermi seguito con infinita disponibilità e

gentilezza durante tutto lo svolgimento di questa tesi, per avermi dato
IX
la possibilità di intraprendere l’attività di tirocinio e per essere sempre
stata un punto di riferimento in quanto professionalità e competenza.
Alla Professoressa Cimolin, per la gentilezza, la disponibilità e per tutto

il supporto fornito durante la stesura della tesi.
All’Ingegner. Martorina, per avermi supportato (e sopportato) come

compagno di ufficio durante tutti i mesi di tirocinio, per essersi sempre
dimostrata disponibile a rispondere ai miei innumerevoli e più disparati
quesiti e per avermi coinvolto in molte attività dalle quali ho imparato
moltissimo.
A tutto il personale di Ingegneria Clinica per essere sempre stato, fin dal
primo giorno, paziente e disponibile a supportarmi nel caso di necessità.
X
Indice
Sommario I
Abstract V
Ringraziamenti IX
1 Introduzione e contesto 1
1.1 Organizzazione della ASST Vimercate . . . . . . . . . 2
1.1.1 Polo Ospedaliero . . . . . . . . . . . . . . . . . 3
1.1.2 Rete Territoriale . . . . . . . . . . . . . . . . . 4
1.1.3 La Mission Aziendale . . . . . . . . . . . . . . . 5
1.1.4 Il presidio di Vimercate . . . . . . . . . . . . . . 10
1.1.5 Gli altri presidi della ASST di Vimercate . . . . 13
1.2 L’U.O.C. Ingegneria Clinica presso l’ASST Vimercate . 15
1.2.1 Organizzazione e attività della Struttura . . . . 15
1.2.2 L’attività di manutenzione . . . . . . . . . . . 17
2 La manutenzione dei dispositivi medici 19

2.1 Definizioni . . . . . . . . . . . . . . . . . . . . . . . . . 20
XIII
2.1.1 Dispositivo medico . . . . . . . . . . . . . . . . 20
2.1.2 Manutenzione correttiva e preventiva . . . . . . 21
2.2 Modalità organizzative di manutenzione delle apparec-
chiature elettromedicali nelle strutture sanitarie . . . . 23
2.3 La manutenzione del parco tecnologico in ASST Vimercate 26
2.3.1 Manutenzioni programmate . . . . . . . . . . . 28
2.3.2 Manutenzioni correttive . . . . . . . . . . . . . 33
2.4 Esempio di manutenzione correttiva: Risonanza Magne-
tica Philips Achieva . . . . . . . . . . . . . . . . . . . 37
2.4.1 Risonanza Magnetica (RM) . . . . . . . . . . . 37
2.4.2 L’intervento di manutenzione correttiva sulla ri-
sonanza Philips Achieva di proprietà della ASST
Vimercate . . . . . . . . . . . . . . . . . . . . . 39
3 Manutenzione predittiva e tecnologie digitali 45

3.1 Industria 4.0 e tecnologie emergenti . . . . . . . . . . . 46
3.2 Manutenzione predittiva: il contesto normativo . . . . 48
3.3 Vantaggi della manutenzione predittiva . . . . . . . . . 50
3.4 Metodi analitici di predizione . . . . . . . . . . . . . . 54
3.4.1 Classificazione . . . . . . . . . . . . . . . . . . 57
3.4.2 Regressione . . . . . . . . . . . . . . . . . . . . 62
3.4.3 Detezione di anomalie . . . . . . . . . . . . . . 66
4 La manutenzione predittiva presso l’ASST Vimercate 71

4.1 Indagine preliminare . . . . . . . . . . . . . . . . . . . 72
4.2 L’analisi dei log macchina . . . . . . . . . . . . . . . . 75
XIV
4.3 Le lavaendoscopi . . . . . . . . . . . . . . . . . . . . . 78
4.4 Raccolta Dati . . . . . . . . . . . . . . . . . . . . . . . 84
4.5 Conversione dei file di backup . . . . . . . . . . . . . . 85
4.6 Modellizzazione . . . . . . . . . . . . . . . . . . . . . . 90
4.6.1 Apprendimento ad istanza multipla . . . . . . 90
4.6.2 Text mining: creazione del Corpus . . . . . . . 92
4.6.3 Text mining: Document Term Matrix . . . . . . 95
4.6.4 Fase di training e testing . . . . . . . . . . . . . 99
4.7 Scelta del modello ottimale . . . . . . . . . . . . . . . . 102
5 Web App INSIGHT 107

5.1 Sviluppo . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2 Funzionamento e interfaccia utente . . . . . . . . . . . 110
5.2.1 Sidebar . . . . . . . . . . . . . . . . . . . . . . 110
5.2.2 Overview . . . . . . . . . . . . . . . . . . . . . 113
5.2.3 Allarmi . . . . . . . . . . . . . . . . . . . . . . 116
5.2.4 Strumentazione . . . . . . . . . . . . . . . . . . 118
5.2.5 Operatori . . . . . . . . . . . . . . . . . . . . . 120
5.3 Software deployment . . . . . . . . . . . . . . . . . . . 122
5.4 Opportunità di miglioramento . . . . . . . . . . . . . . 123
5.5 Punti di forza . . . . . . . . . . . . . . . . . . . . . . . 125
6 Conclusioni 127
6.1 Risultati ottenuti . . . . . . . . . . . . . . . . . . . . . 128
6.2 Sviluppi futuri . . . . . . . . . . . . . . . . . . . . . . . 130
XV
Bibliografia e sitografia 133
XVI
Elenco delle figure
1.1.1 Rete territoriale ATS Brianza e ASST Vimercate . . . 5

1.1.2 Organigramma aziendale . . . . . . . . . . . . . . . . 7
1.1.3 Ospedale di Vimercate, ingresso . . . . . . . . . . . . 10
1.1.4 Ospedale di Vimercate, vista aerea . . . . . . . . . . . 12
2.3.1 Ruoli dei diversi attori coinvolti nella manutenzione

programmata . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2 Documenti di riferimento relativi alla procedura di ma-
nutenzione programmata . . . . . . . . . . . . . . . . 31
2.3.3 Ruoli dei diversi attori coinvolti nella manutenzione
correttiva . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.4 documenti di riferimento . . . . . . . . . . . . . . . . . 36
2.4.1 Risonanza Magnetica Philips Achieva da 1.5 Tesla . . 41
2.4.2 Sala controlli adiacente alla Philips Achieva . . . . . . 42
3.3.1 Numero di prestazioni ambulatoriali in ASST Vimercate

per tipologia di esame. . . . . . . . . . . . . . . . . . 51
3.4.1 Modello di neurone artificiale. . . . . . . . . . . . . . . 63
3.4.2 Topologia di rete neurale feedforward. . . . . . . . . . . 65
XVII
3.4.3 Topologia di una LSTM . . . . . . . . . . . . . . . . . 68
4.3.1 Lava-Sterilizzatrice MEDIVATORS®ISA® . . . . . . . 80

4.3.2 Report stampato dalla lava-sterilizzatrice MEDIVA-
TORS ®ISA ® . . . . . . . . . . . . . . . . . . . . . . 82
4.5.1 Divisione degli scontrini nelle parti di Intro, Header e
Footer . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.5.2 Tabella ottenuta dalla conversione dei file testuali degli
scontrini. . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.6.1 Apprendimento ad istanza multipla. La prima borsa è
associata ad una etichetta “negativa” in quanto al di
fuori dell’intervallo di predizione dei 7 giorni. . . . . . 91
4.6.2 Valore dato dalla tf-idf per due termini generici t1 e t2 ,
ipotizzando la stessa frequenza (fd,t1,2 = 3) all’interno di
un generico documento d. t1 compare in meno documenti
del corpus (nt1 = 4), di conseguenza il suo peso risulta
maggiore. . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.6.3 Frequenza dei 40 termini più comuni nel corpus generale
degli scontrini. . . . . . . . . . . . . . . . . . . . . . . . 98
5.2.1 Sidebar, Date-picker e menù dei numeri seriali . . . . . 112

5.2.2 Schermata della pagina “Overview” . . . . . . . . . . . 113
5.2.3 Tabella modale interattiva con visualizzazione print-out 114
5.2.4 Diagramma di Sankey dei cicli di lavaggio effettuati . . 115
5.2.5 Allarmi per categoria di strumento . . . . . . . . . . . 117
XVIII
5.2.6 Diagramma di Sankey relativo alla categoria Gastroscope.
Le quantità numeriche sono visualizzabili quando l’utente
posiziona il cursore del mouse sui flussi del diagramma. 118
5.2.7 Cicli eseguiti per categoria di strumento . . . . . . . . 119
5.2.8 Tabella dei cicli regolari/irregolari per la categoria di
strumento scelta . . . . . . . . . . . . . . . . . . . . . 120
5.2.9 Numero di cicli per operatore. Vista Totale . . . . . . 121
XIX
Elenco delle tabelle
4.3.1 Numero totale di attività cliniche suddivise per tipo-

logia di prestazione effettuate nel 2017 dalla ASST di
Vimercate afferenti al reparto di endoscopia . . . . . . 79
4.3.2 Top 5 prestazioni di tipo ambulatoriale effettuate . . . 79
4.6.1 Document Term Matrix . . . . . . . . . . . . . . . . . 99
4.7.1 Matrice di confusione . . . . . . . . . . . . . . . . . . . 102
4.7.2 Performance dei modelli ottenuti . . . . . . . . . . . . 104
XXI
Capitolo 1
Introduzione e contesto
Questo capitolo introduttivo sarà dedicato all’organizzazione dell’ASST

Vimercate, alla sua origine istituzionale e alla descrizione del ruolo e
delle attività svolte dalla U.O.C. Ingegneria Clinica, con particolare
riferimento al tema della gestione della manutenzione dagli aspetti più
convenzionali a quelli più innovativi oggetto del presente elaborato di
tesi.
1
CAPITOLO 1. INTRODUZIONE E CONTESTO
1.1 Organizzazione della ASST Vimercate
Il presente lavoro di tesi è frutto dell’esperienza di tirocinio svolta presso

l’ASST Vimercate da Marzo a Ottobre 2019.
L’Azienda Socio Sanitaria Territoriale di Vimercate è parte del Sistema

Socio-Sanitario Regionale, nell’ambito del quale esercita le proprie
funzioni di prevenzione, diagnosi, cura, riabilitazione e presa in carico,
con la finalità primaria di contribuire al miglioramento dello stato di
salute della popolazione.
L’attuale assetto organizzativo dell’Azienda deriva dalla riorganizzazio-

ne del Sistema Socio-Sanitario Lombardo conseguente all’approvazione
della L.R. n. 23 del 11 agosto 2015.
Le ASST si articolano in due settori aziendali rispettivamente definiti

rete territoriale e polo ospedaliero.
Il settore aziendale polo ospedaliero si articola in presidi ospedalieri

e/o in dipartimenti organizzati in diversi livelli di intensità di cura,
tecnologica e organizzativa, in coerenza con la normativa nazionale.
Il settore aziendale rete territoriale eroga prestazioni specialistiche, di

prevenzione sanitaria, diagnosi, cura e riabilitazione a media e bassa
complessità, le cure intermedie e garantisce le funzioni e le prestazioni
medico-legali. Il settore rete territoriale eroga, altresì, le prestazioni
distrettuali fornite alle persone, che erano erogate dalle ASL ad eccezione
2
1.1. ORGANIZZAZIONE DELLA ASST VIMERCATE
di quelle ora espressamente attribuite alle ATS, tra cui: assistenza

specialistica ambulatoriale, servizi per la prevenzione e la cura delle
tossicodipendenze, servizi consultoriali, servizi per disabili, anziani,
cronici e fragili, assistenza domiciliare integrata [1].
1.1.1 Polo Ospedaliero
Si riportano le strutture facenti parte del Polo Ospedaliero:
• Ospedale Vittorio Emanuele III a Carate Brianza

• Ospedale C. Borella a Giussano
• Ospedale Trabattoni e Ronzoni a Seregno
• Ospedale Civile a Vimercate
• Ambulatori ospedalieri e territoriali di Arcore, Besana Brianza,
Carate Brianza, Giussano, Lentate sul Seveso, Lissone, Macherio,
Meda, Seregno, Seveso, Usmate, Vimercate Centri odontostoma-
tologici di Arcore, Besana Brianza, Carate Brianza, Giussano,
Lissone, Macherio, Seregno, Vimercate
• Servizi dialisi di Agrate Brianza, Carate Brianza, Lissone, Seregno,
Vimercate
• Centri psicosociali/Ambulatori psichiatrici di Carate Brianza, Be-
sana Brianza, Lissone, Seregno, Vimercate Centri psichiatrici diur-
ni/residenziali di Bernareggio, Besana Brianza, Carate Brianza,
Meda, Seregno
3
• Ambulatori territoriali neuropsichiatrie infanzia/adolescenza di

Besana Brianza, Giussano, Lentate sul Seveso, Lissone, Seregno,
Seveso, Usmate
• Centri neuropsichiatrici infanzia/adolescenza diurni/residenziali
di Besana Brianza, Lissone
1.1.2 Rete Territoriale
• Distretto di Carate Brianza

• Distretto di Seregno
• Distretto di Vimercate
• Consultori familiari di Arcore, Carate Brianza, Concorezzo, Giussa-
no, Lentate sul Seveso, Lissone, Meda, Seveso, Seregno, Vimercate
• Centro riabilitativo diurno di Usmate
• Nuclei operativi alcologia di Seregno, Vimercate
• Servizio dipendenze di Carate Brianza
Nella mappa riportata in figura 1.1.1 è visibile, in blu, il territorio

della ATS Brianza e, in rosso, la rete territoriale della ASST Vimercate.
Vengono evidenziati in figura i presidi ospedalieri dei rispettivi distretti
territoriali.
4
Figura 1.1.1: Rete territoriale ATS Brianza e ASST Vimercate
1.1.3 La Mission Aziendale
La missione dell’Azienda è quella di contribuire alla promozione, al

mantenimento e al recupero delle condizioni di salute della popolazione,
erogando prestazioni sia sanitarie sia sociosanitarie, secondo standard di
eccellenza, di media e elevata complessità, nel rispetto della dignità della
persona, del bisogno di salute, dell’equità dell’accesso all’assistenza,
della qualità delle cure e della loro appropriatezza, dell’economicità
nell’impiego delle risorse ed in coerenza con i principi e gli obiettivi
5
definiti dal Piano Sanitario Nazionale e dal Piano Sanitario Regionale.
L’Azienda, conformemente alle indicazioni Regionali, ha strutturato

un sistema “che si prenda cura” della persona e del suo benessere,
collaborando attivamente con tutti gli attori del Sistema Socio-Sanitario,
al fine di perseguire l’obiettivo di rafforzare nel cittadino la percezione
di un’identità comune, garantendo così a tutti parità di accesso ai
servizi.
In figura 1.1.2 viene riportato l’organigramma aziendale in cui sono

evidenziati gli organi di vertice e le strutture (semplici e complesse) cui
essi fanno capo.
6
Figura 1.1.2: Organigramma aziendale
Costituiscono la Direzione Strategica dell’Azienda, unitamente al Diret-

tore Generale, il Direttore Amministrativo, il Direttore Sanitario ed il
Direttore Sociosanitario. Essi partecipano con il Direttore Generale alla
direzione dell’Azienda, assumono diretta responsabilità delle funzioni
attribuite alla loro competenza e concorrono, con proposte e pareri, alla
formulazione delle decisioni della Direzione Strategica. Sono, quindi,
soggetti attori, unitamente al Direttore Generale, di quella funzione di
programmazione, di allocazione delle risorse, di committenza dei servizi
7
e di valutazione dei risultati, propria della Direzione Strategica. Essi

esercitano le loro funzioni attraverso il processo di budget, che li vede
direttamente coinvolti e responsabili dal momento delle scelte aziendali
di programmazione alla negoziazione dei budget con i Direttori dei
Dipartimenti ed i Responsabili delle Funzioni di Staff, al monitoraggio
e all’eventuale revisione degli obiettivi di budget fissati.
In particolare, le funzioni proprie di ogni Direzione possono essere

riassunte come segue:
• Direzione Generale: il Direttore Generale rappresenta legal-

mente l’Azienda ed esercita tutti i poteri di gestione complessiva,
coadiuvato dai Direttori Amministrativo, Sanitario e Sociosani-
tario. Egli ha il compito di combinare i fattori produttivi per
il perseguimento degli obiettivi sanitari posti dalla Regione, in
condizioni di massima efficienza ed efficacia. Il Direttore Generale
è quindi responsabile del governo clinico dell’azienda, con riferi-
mento sia alla qualità, che all’efficacia e all’efficienza tecnica. Il
governo clinico si realizza nell’esercizio della responsabilità del
miglioramento continuo dei servizi erogati, nella salvaguardia di
alti standard assistenziali da parte dei professionisti dell’organiz-
zazione, ed è volto ad assicurare l’adozione di sistemi di garanzia
e di qualità, compatibilmente con le risorse disponibili.
• Direzione Amministrativa: il Direttore Amministrativo dirige

i servizi amministrativi della Azienda Socio Sanitaria Territoriale.
8
In particolare:
– svolge attività di direzione e coordinamento, nei confronti dei

direttori delle strutture amministrative complesse.
– svolge attività necessarie per il controllo di gestione dell’a-
zienda ed il controllo di qualità dei servizi come la nomina
dei responsabili delle strutture organizzative professionali e
funzionali dell’area amministrativa.
– persegue il buon andamento e l’imparzialità dell’azione ammi-
nistrativa, con particolare riferimento agli aspetti giuridico-
amministrativi ed economico-finanziari.
• Direzione Sanitaria: il Direttore Sanitario dirige i servizi sani-

tari ai fini organizzativi ed igienico-sanitari. In particolare:
– svolge attività di indirizzo, coordinamento, supporto, verifica

nei confronti dei responsabili dei servizi sanitari e promuove
l’integrazione dei servizi stessi.
– esercita per tutte le strutture ed i Centri di responsabilità
sanitari dell’azienda le funzioni di verifica e di controllo dei
risultati conseguiti rispetto agli obiettivi assegnati.
– coordina le strutture dell’azienda ospedaliera e garantisce
l’integrazione tra le stesse, anche attraverso la predisposizione
di appositi protocolli.
• Direzione Socio-Sanitaria: il Direttore Sociosanitario dirige il

settore aziendale rete territoriale della Azienda Socio Sanitaria
9
Territoriale.
1.1.4 Il presidio di Vimercate
Nella figura 1.1.3 viene riportata un’immagine dell’ingresso principale

del nuovo Ospedale di Vimercate.
Figura 1.1.3: Ospedale di Vimercate, ingresso
Il Presidio di Vimercate vanta una storia millenaria: nacque, grazie

all’azione dei Monaci di Sant’Ambrogio, come ricovero per pellegrini
nell’833 con il nome di “L’Hospitale di San Damiano”. Fu ribattezzato
nel 1447 dapprima con il nome di “Hospitale di San Giuseppe” e quindi
“Hospitale Pauperum”, infine venne indicato con il nome di “Hospitale
del Borgo di Vicomercato”, a seguito di un’opera di riorganizzazione
indotta dall’allora arcivescovo di Milano, Enrico Rampini. Nel 1778,
10
sotto la spinta del Conte Trotti, sovrintendente dell’ospedale, il noso-

comio venne ristrutturato e si costruì un nuovo fabbricato, l’“Opera
Pia ed Ospitale dei Poveri e luoghi Pii Uniti di Vimercate” inaugurato
nel 1783 e tuttora esistente. Altri interventi di ristrutturazione e di
riforma portarono alla costruzione nel 1926 dell’Ospedale di Circolo,
nel 1937 del Padiglione Sanitario, nel 1954 del Dispensario, nel 1958 del
Padiglione Maternità, e nel 1961 del Poliambulatorio Inam. Nel 1973
venne inaugurato il primo monoblocco chirurgico: Vimercate diventò il
presidio ospedaliero della Ussl 60, e nel 1995 della Ussl 28.
Dal gennaio 1998 Vimercate è l’Ospedale capofila dell’Azienda Ospe-

daliera “Ospedale Civile di Vimercate”, ridenominata nell’anno 2009
“Azienda Ospedaliera di Desio e Vimercate”.
Importante è sottolineare che dal 30 ottobre 2010 l’Ospedale di Vimerca-

te ha iniziato una nuova vita: l’attività si è infatti trasferita nella nuova
sede di via Santi Cosma e Damiano, nel Nuovo Complesso Ospedaliero
voluto, insieme a Como, Legnano, Milano Niguarda e Bergamo, dalla
Giunta Regionale lombarda.
Il nuovo Ospedale, vero fiore all’occhiello dell’Azienda, progettato

dall’arch. Mario Botta e costruito in soli tre anni, si sviluppa su tre
piani fuori terra e due interrati, per una superficie totale di 113.000 mq
(nella figura 1.1.4 si riporta una ricostruzione di una visualizzazione
aerea tratta dai piani di costruzione del nuovo Ospedale [2]).
11
Figura 1.1.4: Ospedale di Vimercate, vista aerea
L’architettura, la tecnologia e l’organizzazione sono tutte finalizzate a

porre al centro dei percorsi logistici e diagnostico-terapeutici il paziente,
con le sue patologie e il suo vissuto familiare e sociale; anche per questo
motivo l’assistenza è organizzata secondo il modello per intensità di
cura.
12
1.1.5 Gli altri presidi della ASST di Vimercate
Carate
L’Ospedale di Carate Brianza ha origini antiche: fondato nel 1200, era

inizialmente un complesso che metteva a disposizione un medico per le
cure e provvedeva al trasporto dei malati più gravi alla Ca’ Granda di
Milano.
Solo agli inizi del ’900 sorse la struttura ospedaliera vera e propria. I
lavori iniziarono nel 1908 e si conclusero due anni dopo. L’ospedale era
costituito da un plesso centrale a due piani e due padiglioni laterali.
Nel corso dei decenni il nosocomio caratese ha subito costanti opere

di miglioria ed ampliamento. Nel 1974 è iniziata la costruzione di un
nuovo edificio e nel 1998 è stato inaugurato il reparto materno infantile.
L’inaugurazione della nuova struttura si è svolta nel marzo del 2000.
Seregno
L’Ospedale di Seregno è costituito da tre padiglioni, edificati nel corso

degli anni a partire dal 1863, quando Francesco Trabattoni finanziò la
costruzione del primo settore. La facciata dell’edificio posta lungo Via
Giuseppe Verdi fu innalzata per volere del benefattore, presidente di
un’associazione, e per testamento pubblico. Nel 1874 si raggiunse il
completamento dei lavori e l’Ospedale ottenne per Decreto Ministeriale
13
il riconoscimento come Ente Morale. Il secondo blocco fu realizzato in

seguito alla donazione di Luigi Ronzoni, che si impegnò a costituire un
complesso chirurgico a proprie spese, prendendosi la responsabilità di
mantenerlo. Lo spazio rimase allo stato originario fino al termine della
seconda guerra mondiale, poi venne modificato in base a nuovi criteri
di funzionalità. L’Amministrazione fece eliminare le vecchie corsie,
sostituite con camere di degenza. L’ultimo padiglione risale, invece,
agli anni 1952-’53.
Giussano
L’Ospedale “C. Borella” nasce, con atto pubblico del 20 ottobre 1891,
per volontà di Rachele Rossari vedova Borella, come fondazione voluta
per “gli ammalati poveri del Comune di Giussano e Briosco”.
Il 14 gennaio 1892 Umberto I, re d’Italia, ne decreta la costituzione ad

Ente Morale. Durante la Prima Guerra Mondiale il presidio di Giussano
dà ricovero e cura ai civili e ai militari colpiti dalla guerra, svolgendo
funzioni di sanatorio.
Negli anni più recenti la vecchia struttura è stata affiancata dal nuovo
padiglione in cui vengono accolte le Unità di degenza, le sale operatorie
ed i diversi Servizi ospedalieri, nell’ottica di rispondere adeguatamente
alle esigenze concrete che si presentano con il passare degli anni.
14
1.2. L’U.O.C. INGEGNERIA CLINICA PRESSO L’ASST VIMERCATE
1.2 L’U.O.C. Ingegneria Clinica presso l’ASST

Vimercate
1.2.1 Organizzazione e attività della Struttura
L’Unità Operativa Complessa (U.O.C.) Ingegneria Clinica, in staff

alla Direzione Sanitaria Aziendale come da organigramma aziendale in
figura 1.1.2, partecipa alla cura della salute garantendo un uso sicuro,
appropriato, efficiente ed economico delle apparecchiature elettromedi-
cali in dotazione all’Azienda. L’U.O.C. Ingegneria Clinica si articola
territorialmente con una sede centrale a Vimercate e un ufficio a Carate,
è diretta da un Ingegnere Biomedico e si avvale delle seguenti risorse
umane:
• 3 collaboratori tecnici
• 2 assistenti tecnici
• 1 collaboratore amministrativo
La Struttura si occupa dell’aspetto gestionale e strategico delle tecnolo-

gie biomediche, svolgendo un ruolo di supporto alla Direzione Strategica
attraverso:
• la programmazione e la valutazione degli acquisti

• la manutenzione delle apparecchiature elettromedicali in dotazione
all’Azienda
15
• valutazioni di Hospital Based Health Technology Assessment fi-

nalizzate all’introduzione di nuove tecnologie ed ottimizzazione
nell’utilizzo delle risorse tecnologiche a disposizione.
La Struttura svolge la propria attività coordinandosi con altre strutture

tecniche, amministrative, con il personale sanitario dirigente e del
comparto per il perseguimento di obiettivi comuni e la realizzazione di
attività e progetti di interesse aziendale. Le principali attività svolte
all’interno dell’U.O.C. Ingegneria Clinica comprendono:
• gestione strategica degli investimenti: effettuata mediante

azioni di ricognizione delle esigenze (in supporto alla Direzione
Strategica), attività di programmazione delle acquisizioni di appa-
recchiature elettromedicali attraverso strategie di Health Technolo-
gy Assessment, attività di supporto alla U.O.C. Approvigionamenti
per la predisposizione di capitolati di fornitura tramite elabora-
zione di fabbisogni e dettagli tecnici necessari e infine attività di
valutazione tecnica delle offerte pervenute e partecipazione alle
commissioni giudicatrici.
• gestione tecnica e operativa: include la gestione e la supervi-
sione delle attività facenti parte del “ciclo di vita” delle tecnologie
biomedicali (accettazione e collaudo, manutenzione correttiva, pre-
ventiva, straordinaria, verifiche elettriche, controlli qualità, gestione
database tecnico delle apparecchiature, training degli operatori,
dismissione) tramite il supporto di un servizio di manutenzione
esternalizzata e contratti con i produttori.
16
1.2. L’U.O.C. INGEGNERIA CLINICA PRESSO L’ASST VIMERCATE
• gestione dei contratti: le specifiche competenze sono relative al-

l’esecuzione dei contratti di manutenzione, acquisizione in noleggio
o proprietà di apparecchiature elettromedicali.
1.2.2 L’attività di manutenzione
La gestione delle attività di manutenzione, come visto nel precedente

paragrafo, rientra in una delle attività core del Servizio di Ingegneria
Clinica (SIC), ovvero la gestione tecnica e operativa. In particolare,
l’Azienda ha adottato la scelta di esternalizzare il servizio di manuten-
zione delle apparecchiature elettromedicali. A seguito di procedura di
gara per l’affidamento del servizio, dal 1 dicembre 2015 il servizio di
manutenzione esternalizzata viene erogato dalla società Tecnologie Sa-
nitarie S.p.A. (comunemente e brevemente chiamata “Global Service”)
che si occupa appunto delle attività di manutenzione (correttiva, pre-
ventiva, verifiche elettriche, controlli qualità) secondo quanto stabilito
dal Capitolato di gara di appalto e nel contratto di affidamento.
17
Capitolo 2
La manutenzione dei dispositivi

medici
Nella prima parte di questo capitolo verranno introdotte le definizioni

di “dispositivo medico”, “manutenzione correttiva” e “manutenzione
preventiva” secondo le norme attualmente in vigore. Successivamente
verranno illustrate le principali strategie di manutenzione negli ospedali,
con riferimento alla realtà ospedaliera di Vimercate. Verranno quindi
presentati gli attori coinvolti nella gestione della manutenzione e i
loro ruoli. Infine verranno riportati alcuni esempi di manutenzione
(sia correttiva che preventiva) a cui si è assistito durante il periodo di
tirocinio presso l’ospedale.
19
CAPITOLO 2. LA MANUTENZIONE DEI DISPOSITIVI MEDICI
2.1 Definizioni
2.1.1 Dispositivo medico
Un dispositivo medico, secondo quanto stabilito dal decreto legislativo

25/01/2010 nr. 36, con la quale viene attuata, in Italia, la direttiva eu-
ropea 2007/47/CE (che modifica la direttiva 93/42/CE), viene definito
come:
"qualunque strumento, apparecchio, impianto, software, sostanza o altro

prodotto, utilizzato da solo o in combinazione, compresi gli accessori
tra cui il software destinato dal fabbricante ad essere impiegato spe-
cificamente con finalità diagnostiche e/o terapeutiche e necessario al
corretto funzionamento del dispositivo stesso, destinato dal fabbricante
ad essere impiegato sull’uomo a fini di:
1. diagnosi, prevenzione, controllo, trattamento o attenuazione di

malattie;
2. diagnosi, controllo, trattamento, attenuazione o compensazione di

una ferita o di un handicap;
3. studio, sostituzione o modifica dell’anatomia oppure di un processo

fisiologico;
4. controllo del concepimento,
20
2.1. DEFINIZIONI
che non eserciti nel o sul corpo umano l’azione principale cui e’ destinato
con mezzi farmacologici, immunologici o mediante processi metabolici,
ma la cui funzione possa essere coadiuvata da tali mezzi.[3]"
2.1.2 Manutenzione correttiva e preventiva
La manutenzione correttiva viene definita come :
“manutenzione eseguita a seguito della rilevazione di una avaria e volta

a riportare un’entità nello stato in cui essa possa eseguire una funzione
richiesta.”(CEI 62-122).
Questa strategia consiste quindi nel mantenere la macchina in esercizio

fintanto che il manifestarsi o il progredire di una anomalia costringe
il gestore a fermare la macchina. La strategia, presenta sia aspetti
positivi che negativi. Il fattore positivo è un costo di manutenzione e
di fermo macchina pressoché nullo fin tanto che la macchina funziona
come dovrebbe. I fattori negativi possono invece essere sintetizzati in:
• elevata perdita di ricavi dovuti al fermo macchina per guasto

• imprevedibilità dell’intervento e quindi delle eventuali operazioni
di deviazione del flusso produttivo in corso
• generalmente elevati costi di riparazione. Un guasto che si protrae
per molto tempo ad un componente può danneggiare altri disposi-
tivi della macchina e può renderla inutilizzabile definitivamente.
La manutenzione preventiva (generica) viene definita come:
21
“manutenzione eseguita ad intervalli regolari predeterminati o in ac-

cordo a criteri prescritti e volta a ridurre la probabilità di guasto o la
degradazione del funzionamento di un dispositivo medico.”(CEI 62-122 –
UNI 9910).
La programmabilità dell’intervento consente una maggiore organizza-

zione dei lavoro di manutenzione e garantisce la possibilità di gestire i
fermo macchina nella maniera più conveniente. Vengono inoltre date le
definizioni (CEI 62-122) di:
• manutenzione preventiva di primo livello: “controlli pre-

ventivi che dovrebbero essere effettuati dall’operatore consistenti
nell’ispezione a vista e, se applicabili in semplici prove utilizzando
i dispositivi medici. Queste prove/controlli devono essere descritti
nel manuale d’uso.”
• manutenzione preventiva di secondo livello: “manutenzione

preventiva effettuata da personale qualificato, consistente nell’i-
spezione visiva, nelle misure dei parametri importanti ai fini della
sicurezza, nell’accertamento che la manutenzione di primo livel-
lo sia stata correttamente eseguita, nonché nell’esecuzione dei
programmi di manutenzione prescritti dal costruttore.”
22
2.2. MODALITÀ ORGANIZZATIVE DI MANUTENZIONE DELLE
APPARECCHIATURE ELETTROMEDICALI NELLE STRUTTURE SANITARIE
2.2 Modalità organizzative di manutenzione delle

apparecchiature elettromedicali nelle struttu-
re sanitarie
La gestione e l’attuazione della manutenzione delle varie apparecchiature

elettromedicali presenti in una struttura sanitaria, sono attività core del
Servizio di Ingegneria Clinica, che possono essere riassunte con il termine
“Techonology Management”. Esso ha come obiettivo la soddisfazione
di un bisogno primario comune a tutte le strutture sanitarie, ovvero
l’ottimale gestione e l’utilizzo sicuro e appropriato di un parco macchine
che, sviluppandosi di pari passo con lo sviluppo tecnologico, diventa
sempre più diversificato e complesso.
In questo scenario di continua innovazione e crescente complessità tecno-

logica dei macchinari, si capisce la trasformazione che ha interessato ne-
gli ultimi anni l’attività manutentiva. Essa, concepita negli anni passati
esclusivamente in funzione del ripristino di apparecchiature biomediche
non funzionanti, sta progressivamente mutando verso una vera e propria
funzione manageriale volta, in ultima analisi, al miglioramento della
qualità dell’assistenza al paziente del cui iter diagnostico-terapeutico
l’elemento tecnologico gioca un ruolo fondamentale. Questo migliora-
mento di qualità è ottenuto grazie alla risoluzione degli obiettivi cardine
dell’attività manutentiva, volti alla riduzione dei rischi connessi all’uso
dei dispositivi medici, a diminuire i tempi di inutilizzo, a prevenire i
guasti, a garantire la qualità delle prestazioni erogate, ad ottimizzare
23
quindi, la durata fisiologica del prodotto.
Nelle diverse strutture sanitarie in cui è stato organizzato un Servizio

di Ingegneria Clinica (SIC), è possibile individuare tre diversi modelli
di organizzativi:
• SIC interno: istituito internamente alla struttura sanitaria e

con personale dipendente dalla struttura stessa. La tipologia di
un Servizio di Ingegneria Clinica totalmente interno all’Azienda
Sanitaria prevede che tutte le funzioni proprie dell’ingegneria
clinica siano svolte con personale interno dipendente. La gestione
della tecnologia secondo quest’ottica si basa sul presupposto che il
personale sia altamente qualificato, che conosca dettagliatamente
la situazione dell’ente, che abbia solidi legami con l’organizzazione
sanitaria, tecnica ed amministrativa.
• SIC esterno: istituito mediante appalto di servizi ad una società
di servizi esterna che operi in modo coordinato e continuativo
con l’ente. Questa strategia consiste nell’affidamento del servizio
globale di manutenzione ad un’azienda esterna o ad un consor-
zio di aziende, attraverso il quale la struttura sanitaria delega
completamente la manutenzione (preventiva, correttiva, prove di
sicurezza, controlli di qualità e tutte le attività tipiche di un ufficio
tecnico) ad un’azienda esterna ad un prezzo complessivo stabilito
solitamente attraverso il metodo della gara.
• SIC misto: dove solo alcune attività sono affidate all’interno
mentre altre sono affidate a una società di servizi esterna che si
24
2.2. MODALITÀ ORGANIZZATIVE DI MANUTENZIONE DELLE
APPARECCHIATURE ELETTROMEDICALI NELLE STRUTTURE SANITARIE
integra nella struttura sanitaria. Questa tipologia rappresenta una

modalità intermedia di organizzazione che prevede l’affidamento ad
una società di servizi di solo una parte delle funzioni di ingegneria
clinica (nella maggior parte dei casi l’effettuazione delle verifiche
periodiche di sicurezza elettrica e/o la manutenzione), mentre le
restanti sono svolte da personale interno.
25
2.3 La manutenzione del parco tecnologico in AS-

ST Vimercate
L’ultima modalità organizzativa citata, come preannunciato nel capitolo

precedente (1.2.2), è quella adottata dalla ASST Vimercate. Il Servizio
di gestione delle apparecchiature biomediche prevede in particolare:
• l’effettuazione delle manutenzioni programmate e delle manuten-

zioni correttive
• le verifiche di accettazione e collaudo
• la predisposizione e l’aggiornamento del piano di manutenzione
Prima di descrivere nel dettaglio le attività di manutenzione (corret-

tiva e programmata) sopracitate, è necessario specificare le forme di
presenza con le quali una tecnologia biomedica può essere presente
in una struttura sanitaria, dalle quali dipende l’organizzazione della
manutenzione per la tecnologia. Le forme di presenza sono così definite:
• acquisto: l’apparecchiatura acquistata diventa di proprietà dell’a-

zienda ospedaliera a seguito del pagamento corrisposto al fornitore,
solitamente successivo all’aggiudicazione di una gara d’appalto;
• donazione: l’apparecchiatura, previo atto ufficiale, diventa di pro-
prietà dell’azienda ospedaliera, che non è enuta al pagamento di
un corrispettivo economico poichè il dispositivo è fornito a titolo
gratuito dalla ditta produttrice o da un ente terzo;
• noleggio: l’apparecchiatura non è di proprietà dell’azienda ospeda-
26
2.3. LA MANUTENZIONE DEL PARCO TECNOLOGICO IN ASST
VIMERCATE
liera, ma questa verserà un canone di noleggio allà azienda fornitrice

per il periodo di tempo in cui il dispositivo sarà effettivamente
utilizzato dall’azienda ospedaliera;
• service: l’apparecchiatura non è di proprietà dell’azienda ospedalie-
ra, che in questo caso non è tenuta al pagamento per il dispositivo
in utilizzo; si stipula un contratto in cui, a fronte dell’acquisto, a
prezzi concordati e per l’intera durata del contratto, di determinate
quantità di materiale di consumo compatibili con l’apparecchio
fornito, l’azienda fornitrice si impegna a mettere a disposizione
all’azienda ospedaliera il dispositivo in questione a titolo gratuito
per l’intero periodo di validità del contratto.
Tutte queste forme di presenza sono caratterizzate da una gestione

della manutenzione simile tra loro, direttamente collegata al periodo
di garanzia della macchina. Fino allo scadere della garanzia, infatti,
l’azienda fornitrice del macchinario è tenuta a comunicare al servizio
di ingegneria clinica un calendario (il piano di manutenzione) in cui
vengono specificate le date di intervento che seguiranno il collaudo del
macchinario stesso. Nello specifico, in questo calendario sono presenti:
• gli interventi di manutenzione ordinaria che l’azienda fornitri-

ce svolgerà (di numero e frequenza variabile a seconda della
tecnologia),
• verifiche di sicurezza elettrica
• controlli periodici di qualità (calibrazioni ecc.)
27
Una volta terminato il periodo di garanzia (ovviamente inferiore rispetto

alla vita utile effettiva del macchinario), sarà compito del Global Service
effettuare tutte le attività di manutenzione espresse precedentemente,
tramite le competenze del personale tecnico specializzato (ingegneri bio-
medici e tecnici informatici ed elettronici) o avvalendosi dei produttori
o altre società specificatamente individuate.
2.3.1 Manutenzioni programmate
Per quanto riguarda le manutenzioni programmate, la società di manu-

tenzione esternalizzata (Tecnologie Sanitarie S.p.A come indicata nel
paragrafo 1.2.2) si avvale di schede tecniche, specifiche per ogni classe
di dispositivo, che contengono procedure guidate sulle operazioni da
seguire in sede di manutenzione programmata. Queste schede tecniche
sono redatte unendo sia le indicazioni del fabbricante del dispositivo,
sia l’esperienza tecnica di Tecnologie Sanitarie S.p.A, ottenendo quindi
una procedura mista.
Di seguito si riporta quanto presente nella Procedura Operativa Azien-

dale dal titolo “Manutenzione programmata” che ha lo scopo di de-
scrivere le modalità con cui l’UOC Ingegneria Clinica gestisce le ma-
nutenzioni programmate di apparecchiature elettromedicali nell’A-
zienda Ospedaliera al fine di garantirne l’integrità fisico-funzionale
e l’affidabilità.
28
VIMERCATE
La terminologia indicata nella documentazione fa riferimento alle

seguenti definizioni:
• a: Apparecchiatura elettromedicale in gestione al SIC;

• EST: Ditta esterna produttrice o sua emanazione;
• GS GLOBAL SERVICE: Servizio per la manutenzione ester-
nalizzata di (a);
• SIC: Servizio Ingegneria Clinica;
• SS/SC: Struttura semplice/Struttura complessa;
• UO: Unità Operativa.
I ruoli delle figure coinvolte nella procedura di manutenzione program-

mata vengono riportati in figura 2.3.1. La relativa documentazione di
riferimento è riportata in figura 2.3.2.
29
Figura 2.3.1: Ruoli dei diversi attori coinvolti nella manutenzione programmata
30
VIMERCATE
Figura 2.3.2: Documenti di riferimento relativi alla procedura di manutenzione

programmata
Sono responsabili della procedura operativa di manutenzione program-

mata di una (a) le seguenti figure:
• Gli utilizzatori delle varie SS/SC che opportunamente informati

dal fornitore della (a) al momento della consegna e del collaudo e,
supportati poi dai tecnici del Global Service (GS) durante l’utilizzo,
eseguono ordinariamente tutti gli interventi previsti di manuten-
zione/pulizia/controllo giornaliero per il corretto mantenimento
della stessa;
• Il GS che secondo i piani ed i calendari stabiliti dal Capitolato
Speciale d’Appalto (CSA), esegue periodicamente e nel rispetto
della normativa, le verifiche di sicurezza generale, le manutenzioni
preventive, i controlli prestazionali/manutenzioni particolari, i
controlli di qualità e le tarature su tutte le (a) in uso, supportando
le ditte esterne (EST) per le apparecchiature non proprietarie, in
garanzia e sotto contratto a cui è affidata nello specifico l’attività
31
manutentiva;
• Il SIC che, una volta approvati i piani di manutenzione delle (a)
stesi dal GS in virtù del CSA, controlla il corretto svolgimento
delle attività programmate
Su specifiche classi di (a) la manutenzione programmata viene com-

pletata con l’attività di taratura. Per taratura si intende “ la verifica
ed il controllo delle prestazioni metrologiche di una (a)”; scopo della
taratura è accertarsi che il livello di sicurezza e delle prestazioni erogate
da una (a) siano all’interno dei limiti definiti dalle norme e dalle tolle-
ranze definite dal fabbricante. In caso di mancato rispetto, la taratura
consente di allineare i valori misurati con quelli di riferimento. La
taratura, per le (a) proprietarie dell’A.O., è affidata al GS che conserva
la strumentazione di misura necessaria per lo svolgimento dell’attività
presso il laboratorio tecnico. A taratura avvenuta il tecnico esecutore
deve riportare sul DOC_ PM_ GS tutte le specifiche degli strumenti
di misura utilizzati (tipologia, marca, modello, s/n ed identificativo).
Su ciascuno strumento è applicata un’etichetta che riporta l’ultima
taratura avvenuta e la data di scadenza. E’ responsabilità di GS inviare
presso i centri di calibrazione autorizzati le strumentazioni di misura
oggetto di taratura. La taratura sulle (a) proprietarie in A.O. viene
eseguita secondo la periodicità stabilita dal CSA [4].
32
VIMERCATE
2.3.2 Manutenzioni correttive
Le manutenzioni correttive avvengono in seguito all’insorgenza di un

guasto ad un macchinario. Il reparto interessato dal problema compila
una richiesta di intervento tramite il software del Global Service, “Co-
swin8i”, descrivendo la natura del guasto e l’urgenza di un intervento
correttivo. La “chiamata” viene ricevuta dai tecnici del Global che,
se l’urgenza lo permette, pianificano una data in cui eseguire l’azione
correttiva, in accordo anche con il reparto. Se invece il guasto richiede
un intervento tempestivo, una squadra (solitamente composta da 2 o 3
tecnici) si reca nel reparto di ubicazione del macchinario di interesse
e procede, dove possibile, ad effettuare una prima riparazione. Se la
problematicità lo richiede, il macchinario viene portato nel laboratorio
del Global Service, in cui è possibile effettuare riparazioni sia di tipo
elettrico/elettronico, sia di tipo informatico e meccanico.
Nel caso in cui il Global Service non riesca, con mezzi propri, a riparare
un eventuale guasto, provvede a contattare il fornitore dell’apparecchio
e procede in una delle seguenti modalità:
1. Il Global Service invia l’apparecchio in assistenza al fornitore e

comunica al reparto un prospetto delle tempistiche necessarie per
la risoluzione del guasto.
2. Il Global Service richiede alla ditta produttrice del dispositivo
l’intervento di un tecnico specializzato e stabilisce con essa una
data di intervento utile a minimizzare i disagi che il fermo macchina
33
può generare al reparto di interesse.
Per completezza, viene riportato quanto scritto nella Procedura Ope-

rativa Aziendale dal titolo “Manutenzione correttiva” che ha lo scopo
di descrivere le modalità con cui l’UOC Ingegneria Clinica gestisce
le manutenzioni correttive di (a) nell’Azienda Ospedaliera al fine di
garantirne l’integrità fisico-funzionale e l’affidabilità.
Sono responsabili della procedura di manutenzione correttiva per una

(a) le seguenti figure:
• Le Unità Operative (Coordinatrice e suo delegato) che in caso di

mal funzionamento di una (a) deve attivare il GS, tramite richiesta
via informatica o telefonica, per l’assistenza tecnica del caso;
• Il GS che durante la riparazione di una (a) osserva nel pieno rispetto
le prescrizioni della normative vigenti in materia, anche in ordine
agli obblighi verso il fabbricante per consentire, a quest’ultimo,
la sorveglianza post-vendita e la rintracciabilità delle (a) in ogni
momento;
• Il costruttore che rimane a capo della piena responsabilità per
eventuali vizi o difetti originati dalla (a) qualora gli utilizzatori
dimostrano di avere assunto tutti i comportamenti atti a preservare
lo stato, l’efficienza e il funzionamento della (a) senza alternarne
la destinazione d’uso;
• Il SIC che monitora l’avanzamento di un’ attività di riparazione
sulla (a) attraverso l’utilizzo del software di gestione Coswin8i,
34
VIMERCATE
verificando che la risoluzione in un guasto avvenga nel rispetto di

quando descritto nel CSA.
La manutenzione correttiva viene eseguita su tutte le (a) dal GS o dalla

EST, o sua emanatrice, su richiesta dell’Unità Operativa utilizzatrice
che richiede l’assistenza, oppure ogniqualvolta che durante l’attività di
manutenzione preventiva, il GS ravvisi la necessità di una riparazione
[5].
Il coinvolgimento delle diverse strutture operative nella manutenzio-

ne correttiva di una (a) è descritto nella figura 2.3.3. La relativa
documentazione di riferimento è riportata in figura 2.3.4.
Figura 2.3.3: Ruoli dei diversi attori coinvolti nella manutenzione correttiva
35
Figura 2.3.4: documenti di riferimento
36
2.4. ESEMPIO DI MANUTENZIONE CORRETTIVA: RISONANZA
MAGNETICA PHILIPS ACHIEVA
2.4 Esempio di manutenzione correttiva: Riso-

nanza Magnetica Philips Achieva
Viene qui di seguito descritto nel dettaglio un intervento di manuten-

zione correttiva, a cui si è assistito durante il periodo di tirocinio presso
l’ASST Vimercate, al duplice fine di:
1. evidenziare la complessità degli interventi di manutenzione corretti-

va con particolare riferimento ad apparecchiature ad alta tecnologia
come ad esempio un tomografo a risonanza magnetica;
2. introdurre i log macchina e la loro importanza sia dal punto di
vista manutentivo, sia per il ruolo centrale che essi hanno ricoperto
durante lo svolgimento di questo lavoro di tesi, come descritto nei
paragrafi successivi.
2.4.1 Risonanza Magnetica (RM)
Il principio di base che sta alla base dell’imaging tramite RM è lo

sfruttamento delle proprietà magnetiche del nucleo di atomi soggetti
a campi magnetici per ottenere informazioni fisiche e chimiche sulle
molecole: il funzionamento si basa sull’eccitazione dei protoni degli
atomi di idrogeno contenuti nel corpo umano; il segnale emesso dai
protoni consente di ottenere una mappa della loro distribuzione e dei
loro comportamento, a seconda dell’ambiente in cui si trovano (liquido,
semiliquido, solido, ecc.).
37
Tramite questo principio fisico, attraverso la RM si possono produrre

immagini di tipo tomografico digitale utilizzando campi magnetici sta-
tici e onde elettromagnetiche a radiofrequenza, quindi senza utilizzare
radiazioni ionizzanti; viene utilizzata per produrre immagini ad alta
definizione dell’interno del corpo umano su piani sagittali, coronale
o trasversali, al fine di ottenere informazioni morfologiche, metabo-
liche, funzionali e molecolari, non accessibili tramite altre tecniche
diagnostiche.
Una RM convenzionale è costituita da un magnete cilindrico cavo,

attraverso il quale è fatto passare il paziente, e comprende 4 componenti
fondamentali:
1. magnete: elemento principale dell’apparecchiatura e la sua poten-

za, che viene espressa in Tesla, influenza in maniera proporzionale
il numero di atomi di idrogeno che rispondono alla stimolazione
con gli impulsi di radiofrequenza. I più recenti magneti sono pro-
gettati in modo tale da generare campi magnetici molto stabili
caratterizzati da alta intensità di campo tramite la proprietà fisica
della superconduzione. I magneti di questo tipo sono costruiti
utilizzando leghe di niobio-titanio che raggiungono lo stato so-
pracitato tramite un raffreddamento ad elio liquido posto ad una
temperatura prossima a quella dello zero assoluto.
2. bobine di gradiente: hanno lo scopo di modificare l’intensità

del campo magnetico lungo i tre assi spaziali, tramite cui è resa
38
possibile la codifica spaziale del segnale proveniente dal corpo

umano.
3. canali di ricezione: influenzano direttamente la qualità dell’im-

magine e la loro numerosità migliora pertanto il rapporto segnale
rumore.
4. sequenze: per sequenze si intendono una serie di accensioni pre-

ordinate dei gradienti, legate all’invio di impulsi di radiofrequenza:
sono fondamentali per l’eccitazione selettiva dei tessuti nelle loro
componenti molecolari, tramite cui si ottengono immagini in cui sia
in risalto la componente solida o la componente liquida dei tessuti.
A una serie base di sequenze presenti in tutte le apparecchiature,
si aggiungono altre tipologie, in relazione agli specifici usi clinici di
cui si necessità (RM cardio; RM mammaria; RM angio; RM neuro
avanzato; RM funzionale; Diffusion tensor-imaging; RM perfusion;
Spettroscopia.)
2.4.2 L’intervento di manutenzione correttiva sulla risonan-

za Philips Achieva di proprietà della ASST Vimercate
Durante l’attività di tirocinio, si è assistito a un intervento di ma-

nutenzione correttiva ad una delle due risonanze magnetiche presenti
nell’ospedale nuovo di Vimercate. Le risonanze sono entrambe di mar-
ca Philips ed entrambe dotate di magnete (da 1.5 Tesla) a tipologia
superconduttore. Una di queste (modello Philips Achieva, figura 2.4.1),
39
durante le prime settimane di marzo, è stata sottoposta a diversi inter-

venti di manutenzione correttiva da una squadra di tecnici specializzati
(field engineers) di Philips, essendo la RM in contratto di manutenzione
diretta tra ASST e ditta produttrice. Il reparto di radiologia ha infatti
segnalato al servizio di manutenzione, tramite richiesta di intervento
sul software interno Coswin8i, alcuni problemi relativi alla qualità delle
immagini prodotte dalla risonanza su determinate sequenze (in parti-
colare RM toracica e RM neuro) e utilizzando determinate bobine di
ricezione. In particolare, le immagini prodotte durante questa tipologia
di esami risultavano caratterizzate da un’alta percentuale di rumore,
tale da renderle inutilizzabili ai fini diagnostici.
40
Figura 2.4.1: Risonanza Magnetica Philips Achieva da 1.5 Tesla
È stato rilevante osservare, per il lavoro della presente tesi, le modalità

con cui la squadra di tecnici ha affrontato l’intervento correttivo. Dopo
un primo e routinario controllo sullo stato di salute di alcuni “spinotti”
di collegamento tra le bobine e il magnete principale della RM, chiamati
Quick Change Head, i tecnici hanno provveduto, seguendo un loro
protocollo, ad effettuare dei test sulla qualità dell’isolamento del locale
RM durante l’esecuzione di determinate sequenze.
41
Figura 2.4.2: Sala controlli adiacente alla Philips Achieva
In questa fase, i tecnici hanno avuto la necessità di prelevare i log

macchina della RM dalle postazioni della sala di controllo adiacente
alla stanza della Philips Achieva (figura 2.4.2 ). I log macchina, come si
vedrà in modo dettagliato nel paragrafo 4.2, sono dei file, spesso testuali,
in cui vengono salvate le registrazioni delle operazioni effettuate, da
un utente o automaticamente da un software, man mano che vengono
eseguite dal sistema o applicazione. È importante sottolineare che
l’accesso a questi file di sistema è riservato solamente a personale
Philips. Una volta estratti alcuni log campione (riferiti a pochi giorni di
attività), i tecnici hanno inserito questi file in un software proprietario
in grado di analizzarli ed evidenziare statistiche relative ad errori o
messaggi di allarme che la macchina ha generato.
42
È altresì importante evidenziare il fatto che, senza il software sopracita-

to, un’eventuale analisi di questi log macchina effettuata da personale
non addetto è difficilmente attuabile. I log infatti, sebbene non siano
file protetti da crittografia, sono di difficile interpretazione se analizzati
da terzi. Il linguaggio, i nomi dati ai vari componenti della RM ripor-
tati nei log e il significato di molte variabili numeriche registrate, non
apportano alcun contenuto informativo se non si ha una conoscenza
avanzata a livello informatico e meccanico del sistema in esame e di
come lo stesso operi per registrare questi dati.
Di queste considerazioni si parlerà anche nel capitolo 4, dedicato alla

descrizione del lavoro di ricerca effettuato per individuare una famiglia
di macchinari adatti ad essere analizzati per studiare l’applicabilità di
una strategia di manutenzione predittiva.
43
Capitolo 3
Manutenzione predittiva e
tecnologie digitali
In questo capitolo verrà data, dopo una breve introduzione storica, la de-
finizione di “manutenzione predittiva” citando il fenomeno tecnologico-
culturale in cui essa nasce, ovvero la quarta rivoluzione industriale.
Verranno inoltre riportati i vantaggi nell’utilizzo delle tecnologie digitali
a scopo predittivo nell’ottica della manutenzione e verranno descritti i
principi teorici dell’analisi predittiva, specificando le principali tecniche
di analisi e modelli di machine learning utilizzati attualmente.
45
CAPITOLO 3. MANUTENZIONE PREDITTIVA E TECNOLOGIE DIGITALI
3.1 Industria 4.0 e tecnologie emergenti
La storia della manutenzione predittiva è intrinsecamente legata a quel-

la della quarta rivoluzione industriale la quale, a sua volta, si configura
come uno sviluppo della terza rivoluzione industriale, definita come
rivoluzione digitale. Quest’ultima, iniziata negli anni 80 del secolo scor-
so, è caratterizzata dalle innovazioni tecnologiche che hanno permesso
il “salto tecnologico” dalle tecnologie analogiche e dei dispositivi mec-
canici alle attuali tecnologie digitali, come ad esempio il pc (personal
computer), internet e in generale la branca degli argomenti di interesse
della ICT (information and communications technology). La quarta
rivoluzione industriale nasce proprio da queste innovazioni tecnologiche
ed è caratterizzata dall’evoluzione di tecnologie emergenti il cui impatto
sulla società e sulla qualità della vita non ha eguali in tutta la storia
umana. Tra queste ultime rientrano la robotica, la nanotecnologia,
i computer quantistici, la medicina rigenerativa, l’Industrial Internet
of Things, la domotica e l’intelligenza artificiale applicata in svariati
campi (per esempio automazione industriale, diagnostica per immagini,
business intelligence e analisi di big data).
Con questa premessa, si intuisce come la manutenzione predittiva

sia diretta conseguenza di un’ applicazione sinergica delle sopracitate
tecnologie. Essa si appropria infatti di metodiche caratteristiche di
diversi campi al fine di determinare lo stato di salute di una tecnologia
per prevedere l’istante temporale ottimale in cui condurre le operazioni
46
3.1. INDUSTRIA 4.0 E TECNOLOGIE EMERGENTI
di manutenzione e quindi il tempo residuo prima di un guasto.
Tra queste metodiche rientra ad esempio l’utilizzo di tecnologie IoT:

infatti la valutazione dello stato di salute di un ipotetico parco mac-
chine viene effettuata tramite l’utilizzo di una rete di sensori in grado
di comunicare l’andamento nel tempo di alcune variabili di interesse
(monitoraggio online). Oppure ancora, come il nome stesso suggeri-
sce, la componente “predittiva” è affidata a più o meno sofisticati, a
seconda del contesto, algoritmi di artificial intelligence basati a loro
volta sull’applicazione di tecniche di machine learning in grado, in
questo caso, di analizzare e predire l’evoluzione di serie temporali sia
in modo semi-automatico (apprendimento supervisionato) sia in modo
totalmente automatico (apprendimento non supervisionato).
47
3.2 Manutenzione predittiva: il contesto norma-

tivo
Dal punto di vista normativo, la definizione di manutenzione predittiva

viene delineata, a livello europeo, nella EN 13306 dove, nella versione
attualmente in vigore (EN 13306:2017) essa viene definita come:
“Condition based maintenance carried out following a forecast derived

from repeated analysis or known characteristics and evaluation of the
significant parameters of the degradation of the item”[6].
La stessa viene recepita in Italia con la UNI EN 13306:2018, secondo

la quale per “manutenzione predittiva” si intende:
“Manutenzione su condizione eseguita in seguito a una previsione deri-

vata dall’analisi ripetuta o da caratteristiche note e dalla valutazione
dei parametri significativi afferenti il degrado dell’entità”[7].
Dove, sempre secondo la stessa norma, la manutenzione su condizione

è definita come:
“Manutenzione preventiva che comprende la valutazione delle condizioni

fisiche, l’analisi e le possibili azioni di manutenzione conseguenti”.
La “valutazione”, sempre secondo la sopracitata norma, può avvenire

mediante diverse modalità tra le quali:
• Osservazione dell’operatore
48
3.2. MANUTENZIONE PREDITTIVA: IL CONTESTO NORMATIVO
• Ispezione
• Collaudo
• Monitoraggio delle condizioni dei parametri del sistema
Tutte queste modalità vengono intese come “svolte secondo un pro-

gramma, su richiesta o in continuo”.
Riassumendo, quindi, la manutenzione predittiva si configura come un

caso “avanzato” di manutenzione preventiva, che mira alla minimiz-
zazione dei tempi di fermo macchina grazie all’applicazione di analisi
predittive, con lo scopo di predire, con una certa accuratezza, il tempo
rimanente prima di un successivo “guasto” della macchina in esame.
Rispetto alla manutenzione preventiva, la manutenzione predittiva non

si affida a dei controlli effettuati secondo una scadenza regolare. Essa
infatti si basa sull’analisi (quasi in real-time) di diverse grandezze di
interesse tramite degli avanzati algoritmi di analisi per stimare una
distribuzione di probabilità dalla quale dipende l’evento di guasto. In
questo modo si mantiene monitorato, spesso tramite una flotta di
sensori collegati tra loro e ad una stazione centrale, lo stato di salute
dei componenti di un sistema. Quando la probabilità di guasto predetta
supera una certa soglia, si interviene operando una manutenzione
correttiva sul componente (o sui componenti) al fine di valutarne lo
stato di degradazione ed eventualmente ripristinarne la funzionalità.
Questo approccio, ovvero l’utilizzo e l’analisi dei dati per effettuare
decisioni, è chiamato data-driven.
49
3.3 Vantaggi della manutenzione predittiva
I vantaggi di questa strategia di manutenzione possono essere sintetizzati

in quattro punti fondamentali:
1. riduzione del tempo di fermo macchina: Sicuramente il più

concreto dei vantaggi della manutenzione predittiva. Abbattendo
le probabilità di guasto di un macchinario, si riducono ovviamente
i tempi di fermo macchina. I vantaggi di questo risultato sono
immediatamente chiari: da una parte si risparmia in tempo e
denaro, dall’altra si ha la sicurezza di erogare un servizio in modo
continuativo, riducendo quindi la customer dissatisfaction, che in
sanità è legata alla qualità della cura clinica ricevuta, disponibilità
dei servizi e tempi di attesa. La gravità di un fermo macchina
è ben intuibile se si considera la quantità di esami che vengono
effettuati per mezzo di quella famiglia di macchinari “ad alta
incidenza” come TAC, risonanze ed in generale tutti i dispositivi
di diagnostica per immagini. In figura 3.3.1 sono rappresentati le
15 prestazioni ambulatoriali con il maggior numero di erogazioni
in un anno nella ASST di Vimercate in riferimento alle tecnologie
sopracitate.
50
3.3. VANTAGGI DELLA MANUTENZIONE PREDITTIVA
Figura 3.3.1: Numero di prestazioni ambulatoriali in ASST Vimercate per tipologia

di esame.
I dati utilizzati per questa rappresentazione sono stati estratti dal

portale di Regione Lombardia adibito alla pubblicazione e consultazione
di open data [8]. Appare ben chiaro che i fermo macchina relativi ad
apparecchiature di questo tipo, che svolgono mediamente più di dieci
mila esami all’anno (si parla quindi di circa trenta esami al giorno), siano
delle criticità notevoli ed è facile immaginare la difficoltà con cui un
reparto debba provvedere alla riorganizzazione dei crono-programmi in
seguito ad un fermo macchina. Obiettivo della manutenzione predittiva
è proprio quello di minimizzare queste criticità e, conseguentemente, di
ottimizzare la gestione delle tecnologie.
2. ottimizzazione delle risorse: In termini di componenti di un

macchinario, tramite applicazioni di manutenzione predittiva è
51
possibile eseguire delle operazioni di sostituzione di componenti

prima che questi si degradino oltre un certo stato, andando quindi
ad allungare la vita utile dell’apparecchiatura di cui essi fanno
parte.
3. controllo: La raccolta di dati utili all’implementazione di un

programma di manutenzione predittiva è un passaggio cruciale
per l’ottenimento di un completo controllo del processo che si
vuole monitorare. L’obiettivo è quindi quello di conoscere, in ogni
momento, lo stato di funzionamento di un macchinario al fine di
pianificare e gestire in anticipo situazioni critiche di interruzione
del servizio. In particolare, si fa riferimento a tre tipologie di dati:
• dati ambientali come temperatura, umidità, frequenza delle

vibrazioni, ecc.
• dati storici come informazioni sui guasti passati e operazioni
di manutenzione svolte.
• dati operativi come, ad esempio, informazioni circa l’effettivo
utilizzo della macchina
4. sviluppo continuo e cultura “Data-driven”: l’instaurazione

di una strategia di manutenzione predittiva rappresenta, per il
settore industriale, un vantaggio competitivo in quanto permette
di sfruttare la raccolta dei dati, grazie a tecnologie di IoT, per la
costruzione di una strategia a lungo termine improntata sull’ab-
battimento dei costi e l’ottimale utilizzo delle risorse disponibili.
52
3.3. VANTAGGI DELLA MANUTENZIONE PREDITTIVA
Ritroviamo questi importanti obiettivi anche nel settore Sanita-

rio dove, a fronte di esigenze sanitarie sempre crescenti (dovute
al progressivo invecchiamento della popolazione e al conseguente
aumento dei malati cronici) è richiesta una continua evoluzione
dei sistemi di cura tale da contenere le spese e rispondere a questi
bisogni sanitari ottimizzando l’uso dei mezzi a disposizione. Inte-
grando servizi di manutenzione predittiva, inoltre, si abbracciano
quei cambiamenti organizzattivi propri della “Data-driven cultu-
re”, ovvero di tutto l’insieme di approcci, obiettivi, strumenti e
skills che orbitano intorno al concetto dell’utilizzo ottimale dei
dati. Uno degli aspetti chiave di questa modalità di pensiero è
proprio l’analisi dei dati generati da, ormai, qualsiasi macchinario,
al fine di aumentare la conoscenza di un determinato processo e,
in ultima analisi, ottenere su di esso un controllo completo.
Riassumendo quindi: la trasformazione digitale che sta interessando

tutti i settori umani (compreso quello sanitario), ovvero la possibilità
di raccogliere e conservare diversi tipi di dati in tempo reale, permette
di conoscere meglio i problemi di un macchinario e di evitarne i fermo
macchina andando così a migliorare sia, in ambito sanitario, la qualità
del servizio offerto dalla macchina in questione sia la gestione della
stessa.
53
3.4 Metodi analitici di predizione
Nei paragrafi precedenti sono stati introdotti obiettivi e vantaggi della

manutenzione predittiva. Nel seguente verranno invece descritti i metodi
di machine learning sui quali essa si fonda.
Definiamo “Machine Learning” come lo studio o lo sviluppo di modelli

e algoritmi che permettono ad un sistema (o un programma) di im-
parare dall’esperienza per aumentare le proprie performance durante
l’esecuzione. Un sistema “impara” dall’esperienza E in riferimento a
qualche tipo di task T e ad una misura di performance P, se le sue
performance nell’eseguire il task T, come misurate da P, aumentano
grazie all’esperienza. Sistemi di questo tipo vengono chiamati “Modelli
Adattativi”.
Un modello è tipicamente una funzione “obiettivo” tn (funzione “tar-

get”) che riceve uno o più (n) input (chiamati anche features, variabili
indipendenti, osservazioni o esempi) e genera uno o più output (chiama-
ti anche classi o variabili dipendenti). La definizione di questa funzione
viene determinata, nell’approccio proprio del Machine Learning, attra-
verso una modalità “bottom-up” nel quale il sistema osserva un insieme
di esempi e costruisce un modello basato su questi.
A seconda della tipologia di dati usati, si possono identificare tre

paradigmi di apprendimento:
1. Apprendimento supervisionato < xi , ti >: per ogni input xi ,
54
3.4. METODI ANALITICI DI PREDIZIONE
dato l’output desiderato ti , al modello è richiesto di imparare

a produrre l’output corretto y dato un input x (mai osservato
dal modello in precedenza). Quest’ultimo aspetto determina la
capacità di un modello di generalizzare, ovvero produrre output
corretti a fronte di input mai incontrati. Tramite questo tipo di
addestramento si cerca di risolvere due tipi di problemi:
• Classificazione: Il programma è addestrato per classificare
un oggetto in alcune classi (note). Un classico esempio è il
problema di identificare quando una mail è classificabile come
spam oppure no. Oppure, in ambito sanitario, recenti sono
le applicazioni in cui vengono utilizzati algoritmi di machine
learning per l’identificazione e la classificazione di una certa
patologia in diverse situazioni[9], [10].
• Regressione: Il programma è addestrato per predire un valo-
re numerico e quindi predire l’andamento di una determinata
serie numerica. Esempi applicativi di questo tipo possono
essere ritrovati in numerosissimi ambiti. Si riportano qui di
seguito solo alcuni esempi di applicazioni di machine learning
utilizzati in ambito finanziaro [11], astronomico [12], turistico
[13] e sanitario [14].
2. Apprendimento non supervisionato < xi >: al modello è
richiesto di identificare regolarità tra i dati a disposizione per
costruire una rappresetazione utilizzabile per condurre analisi
e predizioni. Attraverso l’addestramento non supervisionato si
possono affrontare problemi di:
55
• Detezione di anomalie: Il programma analizza i dati a

disposizione e impara autonomamente ad identificare pattern
anomali.
• Clustering: Il programma identifica gruppi di esempi con
caratteristiche simili
3. Apprendimento rinforzato < xi >, {a1 , a2 , . . . }, ri ∈ R: Al
modello viene richiesto di imparare a produrre azioni a1 , a2 in
modo tale da massimizzare le ricompense ricevute ri .
Relativamente alla manutenzione predittiva, le applicazioni per cui essa

viene applicata rientrano nelle categorie di problemi di Classificazione,
di Regressione e di Detezione di anomalie. Nello specifico, a questi
problemi può essere associata una domanda che esplicita l’obiettivo che
si vuole ottenere tramite la manutenzione predittiva. Le tre domande
(d’ora in avanti indicate con il nome di “Use Case”) sono:
1. Classificazione: “La macchina subirà un guasto?”

2. Regressione:“Tra quanto tempo la macchina subirà un guasto?”
3. Detezione di anomalie:“Il comportamento della macchina è
anomalo?”
Nei successivi paragrafi si espliciterà ognuno dei seguenti problemi,

fornendo alcuni esempi di algoritmi utilizzabili in ognuno dei sopracitati
casi.
56
3.4.1 Classificazione
In questo tipo di problema, come già visto, l’obiettivo è quello di

fornire una classificazione per un determinato oggetto. L’“oggetto” in
questione si configura come l’eventualità o meno della macchina di
subire un guasto, a fronte di una serie di informazioni relative allo stato
operativo della macchina stessa. A titolo di esempio, si rimanda al
lavoro svolto da Battifarano et al. dal titolo “Predicting Future Machine
Failure from Machine State Using Logistic Regression” [15] nel quale, a
partire da informazioni riguardanti lo stato operativo della macchina
in un dato istante temporale, si è addestrato un modello di regressione
logistica per predire lo stato di funzionamento del macchinario con 24
ore di anticipo.
La regressione logistica è un metodo di classificazione comunemente

utilizzato in applicazioni simili. Esso modellizza la probabilità di una
variabile binaria target Y (che nel caso sopracitato rappresenta lo stato
di “salute” della macchina differenziandolo in “funzionante” e “non
funzionante” ) a partire da un vettore di features X (le informazioni
sullo stato operativo del macchinario) trasportando una combinazione
lineare delle features nell’intervallo (0,1) tramite una trasformazione
non lineare data dalla 3.1:
T
eα+β x
P (Y = 1 | X = x) = π(x) = (3.1)
1 + eα+β T x
57
L’addestramento del modello, in questo caso, consiste nell’identificazione

del migliore set di parametri α e β, ovvero i valori che aumentano la
precisione del modello. Più nel dettaglio, la stima dei coefficienti
di regressione della Equation 3.1 si realizza tramite la risoluzione di
un problema di massimizzazione di una specifica funzione, chiamata
“verosomiglianza” L (chiamata anche funzione di likelyhood in inglese).
Questa funzione esprime la probabilità condizionata che un insieme
di esempi (t1 , ..., tN ), ovvero i dati utilizzati per l’addestramento del
modello, vengano determinati da uno specifico set di parametri θ (in
questo caso i parametri sono α e β citati precedentemente).
Prima di inoltrarci nella risoluzione matematica del problema, è impor-

tante sottolineare che questo approccio è chiamato frequentista, cioè
che fa affidamento esclusivamente sull’esperienza. Una diversa strategia
è data dall’approccio bayesiano nel quale, per la determinazione dei
coefficienti del modello, si utilizza come informazione (mancante nel-
l’approccio frequentista) anche una conoscenza a priori della possibile
distribuzione dei parametri ricercati e l’esperienza viene utilizzata di
volta in volta per correggere questa conoscenza a priori in modo da
allinearsi con le evidenze generate dall’esperienza.
Definiamo quindi il problema di massimizzazione della funzione di like-

lyhood (chiamato MLE ovvero Maximum Likelyhood Estimation)
relativamente ad un problema di classificazione. La funzione obiettivo
tn , nel caso di un problema di classificazione binaria, è una funzione
tale che:
58
tn ∈ {0, 1},
(3.2)
tn ∼ Be(yn )
dalla quale si deduce, per definizione di distribuzione di Bernoulli:
p(tn | x) = yntn (1 − yn )1−tn (3.3)
che, a sua volta, permette di definire la funzione di likelyhood:

N
yntn (1 − yn )1−tn
Y Y
L(θ) = p(t1 , ..., tN | θ) = p(tn | θ) = (3.4)
n n=1
nella quale:
• N rappresenta il numero di osservazioni disponibili

• yn è la funzione sigmoide relativa al’equazione 3.1, che può essere
riscritta, raccogliendo l’esponenziale al denominatore e sostituendo
l’argomento dell’esponenziale, come:
an = α + β T x,
1 (3.5)
yn =
1 + e−an
Di conseguenza, per risolvere il problema di MLE (un problema di
massimizzazione) bisogna derivare la funzione di likelyhood 3.4 rispetto
ai parametri e annullarne la derivata così trovata. In riferimento a ciò,
59
si procede applicando prima il logaritmo alla 3.4 ottenendo:

N
X
Ł(an ) = log(L(θ)) = tn log(yn ) + (1 − tn ) log(1 − yn ) (3.6)
n=1
La forma così ottenuta è chiamata log likelyhood. Il problema di

massimizzazione di quest’ultima corrisponde al suo duale, ovvero alla
minimizzazione della log likelyhood negativa:
argmaxan Ł(an ) = argminan − Ł(an )

 
N
X
= argminan −  tn log(yn ) + (1 − tn ) log(1 − yn )
n=1
(3.7)
Ci si riferisce all’ultima espressione con il termine di cross entropia.

In statistica, la minimizzazione della cross entropia corrisponde alla
minimizzazione della divergenza di Kullback-Leibler tra la distribuzione
ottenuta e quella target [16] che, in sintesi, rappresenta una misura di
quanto due distribuzioni di probabilità siano simili.
La risoluzione della 3.7 risulta complicata dal punto di vista analitico. Si

procede quindi attraverso l’utilizzo di metodi numerici come ad esempio
il metodo chiamato “discesa del gradiente”. Con questo metodo, si cerca
di minimizzare una funzione di costo in modo iterativo a partire da
una soluzione iniziale scelta in modo casuale. Man mano che si procede
con le iterazioni kn , i parametri (indicati nelle prossime equazioni
60
con w) ricercati vengono aggiornati secondo la seguente formula di

aggiornamento:
∂J
wk+1 = wk − η (3.8)
∂w k
dove il secondo termine rappresenta il prodotto tra η, chiamato learning

rate, e la derivata di una funzione di costo J rispetto ai parametri
di interesse, che rappresenta il gradiente della funzione di costo. Nel
caso di un problema di classificazione, la funzione di costo è la cross
entropia dell’equazione 3.7. Numericamente, il metodo della discesa del
gradiente avviene in questi passaggi:
1. viene inizializzata una possibile soluzione w0 in modo casuale

∂J
2. si calcola il gradiente della funzione di costo ∂w k
3. si aggiorna la soluzione tramite l’equazione di aggiornamento data
dall’equazione 3.8
4. si ripetono i passaggi 2 e 3 fino alla convergenza.
Tuttavia, il metodo del gradiente presenta delle criticità date dalla

forma della funzione di costo e per la risoluzione si rimanda a testi
specialistici.
Attualmente, questi metodi di ottimizzazione e di apprendimento di

modelli predittivi sono implementati in pacchetti e librerie di diversi
linguaggi di programmazione (Python, R, Matlab) che spesso vengono
utilizzati per la costruzione iniziale di questo tipo di applicazioni. Sta
quindi all’utilizzatore selezionare il modello più appropriato per il caso
in esame.
61
3.4.2 Regressione
In un problema di regressione, gli output desiderati ti sono valori

continui e l’obiettivo è di predire in modo accurato un nuovo output a
partire da nuovi input. Diversamente da quanto accade in un problema
di classificazione, quindi, in un problema di regressione si cerca di
predire un valore numerico. Un esempio applicativo di manutenzione
predittiva svolta tramite risoluzione di un problema di regressione è dato
dal lavoro di Tian et al. [17] nel quale viene utilizzata una rete neurale
di tipo feedforward per la stima della vita utile rimanente (in inglese
RUL, Remaining Useful Life) di alcuni componenti di un macchinario
rotante tramite l’analisi delle vibrazioni assorbite dai cuscinetti del
macchinario. Le reti neurali sono una tipologia di modello non-lineare
caratterizzate da:
• numero di neuroni;
• tipologia della rete;
• funzione di attivazione;
• valori dei pesi sinaptici e dei bias.
Ritroviamo questi elementi nell’unità funzionale di una rete neurale,

ovvero una rete neurale dotata di un singolo neurone, con diversi input
e un unico output, chiamata perceptrone. In generale, un neurone
artificiale è modellizzato come in figura 3.4.1 e il suo output dipende
dal valore assunto dalla funzione di attivazione, indicata da g().
62
. 1
.
.
z y
(⋅)
. ∑
. =1
= 0
Figura 3.4.1: Modello di neurone artificiale.
Ispirandosi proprio al neurone biologico e alla sua proprietà di generare

un potenziale d’azione secondo la logica del “tutto o nulla”, un neurone
artificiale è in grado di replicare l’effetto di sommazione temporale dei
potenziali d’azione e l’effetto di “sparo” grazie la definizione di una
soglia di attivazione o bias b. L’output di un perceptrone è quindi dato
da:  
XI
y= g w i xi
 (3.9)
0
a sua volta, la funzione di attivazione può essere di diversi tipi (gradino,

segno, lineare, sigmoide, iperbolica).
L’addestramento di un perceptrone è descritto dal seguente set di equa-

zioni che prende il nome di Apprendimento Hebbiano, formulato
nel 1949 dallo psicologo canadese Donald Olding Hebb che studiò il
meccanismo di apprendimento delle cellule neuronali:
wik+1 = wik + ∆wi

(3.10)
∆wi = ηtxi
63
dove:
• η è il learning rate simile a quello dell’equazione 3.8

• xi è l’i-esimo input del perceptrone
• t è l’output desiderato
I passaggi dell’apprendimento Hebbiano possono essere sintetizzati nel

seguente modo:
1. i pesi vengono inizializzati in modo casuale

2. si calcola l’output del perceptrone utilizzando i pesi così inizializzati
2. se l’output ottenuto è diverso dall’output desiderato, si applica
la regola di aggiornamento data dalla 3.10 ottenendo un nuovo
set di pesi.
3. si ripete il passaggio 2 fino ad ottenere il risultato corretto.
Tramite questo semplice metodo, un perceptrone è capace di appren-

dere semplici operazioni logiche quali AND, NOT, OR. Tuttavia, il
perceptrone non è in grado di risolvere problemi non separabili linear-
mente. Infatti mostra limitazioni nell’apprendimento dell’operazione
logica XOR. Per ovviare a questo problema, si combinano più neuroni
artificiali generando nuovi modelli chiamati Perceptroni Multistrato o,
più comunemente, reti neurali feedforward.
64
11
ℎ
1
. 21
2
. ℎ y
. 1
2
.
.
.
1
Figura 3.4.2: Topologia di rete neurale feedforward.
Nelle reti neurali feedforward (figura 3.4.2), inoltre, sono presenti 1 o

più strati nascosti, cosa che non succede nel perceptrone multistrato.
L’output di una rete neurale avente topologia simile a quella in figura

3.4.2 è:
  
J
X I
X
y = g Wj h  wji xi  (3.11)
j=0 i=0
Similmente a quanto espresso nel paragrafo precedente riguardante la

classificazione, anche in un problema di regressione ci si pone l’obiettivo
di minimizzare una funzione di costo (tramite il metodo della discesa
del gradiente) che, nel caso di una rete neurale feedforward, è data
dalla:
N (tn − yn )2
X
E= (3.12)
n=0
65
L’apprendimento in una rete neurale feedforward (chiamata così in

quanto, per ottenere l’output della rete, l’informazione fluisce unidire-
zionalmente dallo strato di input a quello di output) avviene tramite
un processo chiamato backpropagation che, similmente con quanto
visto nel paragrafo precedente, utilizza il metodo del gradiente per
minimizzare iterativamente la funzione di errore della rete neurale.
Il processo di backpropagation è costituito da due fasi:
1. la prima fase, chiamata passo in avanti consiste nel calcolare,

per ogni neurone, l’output dello stesso tramite una funzione non
lineare che lega l’input ai pesi associati al neurone considerato.
2. la seconda fase, chiamata passo indietro consiste nel ricalcolare
tutti i pesi neurali partendo da quelli più vicini allo strato di output
fino agli strati di input, utilizzando la regola di aggiornamento
data dal metodo del gradiente.
Altre topologie di reti neurali sono le reti neurali ricorrenti e gli

autoencoder.
3.4.3 Detezione di anomalie
In questo Use Case si utilizzano dei metodi che sintetizzano i casi di

classificazione e regressione visti in precedenza, al fine di costruire dei
modelli in grado di monitorare il comportamento di una certa variabile
66
di interesse e stabilire, con una certa precisione, se il comportamento

osservato rientra in alcuni gradi di accettabilità definiti a priori.
In estrema sintesi, la detezione di una anomalia può essere effettuata

attraverso l’analisi di serie temporali relative ad una grandezza, ef-
fettuando delle previsioni sulla serie in esame e classificare quindi il
risultato come “Anomalo” o “Normale”. Un esempio di detezione di
anomalia tramite analisi di serie temporali è dato dal lavoro svolto
da Malhotra et al. [18], nel quale è stata costruita una rete neurale
ricorrente in grado di memorizzare delle sequenze numeriche al fine di
individuare anomalie nell’andamento di un una certa variabile. Questo
tipo di rete neurale viene chiamata Long Short Term Memory (LSTM)
per la capacità di, appunto, ricordare sequenze numeriche di lunghezza
variabile.
Le reti neurali ricorrenti sono una particolare topologia di rete neurale

in cui è inserita una sotto topologia chiamata “rete di contesto” in cui
vengono aggiunti nuovi neuroni negli strati nascosti. Gli output di questi
neuroni sono connessi sia allo strato di output, sia a agli strati di input
implementando un ritardo temporale così come avviene in un sistema
retroazionato. L’ apprendimento di queste reti neurali viene svolto
attraverso un’ estensione del processo standard di backpropagation,
chiamato “backpropagation nel tempo”. La differenza sostanziale con
l’algoritmo standard consiste in una fase preliminare ai passaggi della
backpropagation, nella quale la rete ricorrente viene trasformata in una
rete neurale feedforward attraverso un procedimento chiamato “network
67
unfolding” che procede a “dispiegare” la rete secondo tutti gli istanti

temporali dati in input.
x x CEC x
forget gate input gate output gate
Figura 3.4.3: Topologia di una LSTM
Una rete di tipo LSTM, come già detto, è una rete neurale ricorrente
capace di apprendere sequenze anche molto lunghe. In generale, le
LSTM sono composte da sequenze di reti neurali, ognuna di queste
caratterizzate da una specifica funzione. La topologia generale di una
LSTM viene riportata in figura 3.4.3.
Si differenziano i seguenti moduli:
• forget Gate: Il risultato di questa rete è 0 o 1. Nel primo caso,

quindi, il valore in memoria ht−1 viene cancellato. In caso contrario,
il valore passa al prossimo modulo in modo inalterato.
68
• input Gate: Controlla il valore da riportare allo stato ht .

• constant Error Carousel (CEC): Rete neurale utilizzata per
contrastare un problema tipico dell’apprendimento delle reti neurali
ricorrenti chiamato “scomparsa del gradiente”. Questo effetto è
conseguente all’applicazione del metodo del gradiente durante
la fase di network unfolding citata precedentemente. In sintesi,
durante lo svolgimento dell’algoritmo dato dalle equazioni 3.8, si
ottiene una catena di moltiplicazioni tra termini tutti inferiori
a 1. In questo modo, il gradiente risultante tende ad annullarsi
all’aumentare delle fasi di “dispiegamento”, annullando quindi
la possibilità di identificare un mininimo della funzione di costo.
Grazie al CEC, si previene la scomparsa del gradiente perchè si
inserisce un elemento che mantiene un peso sinaptico costante e
pari a 1.
• output Gate: Ultima rete che controlla il risultato finale della
LSTM.
69
Capitolo 4
La manutenzione predittiva presso

l’ASST Vimercate
In questo capitolo si parlerà dell’applicabilità di una strategia di manu-

tenzione predittiva nell’ambito dell’Ospedale di Vimercate. In questi
termini, verrà indicata innanzitutto la modalità di ricerca intrapresa
al fine di identificare la classe di dispositivi di maggiore interesse e
quella più adatta per essere analizzata con l’obiettivo di progettare e
applicare un programma di manutenzione predittiva. Si indagheranno
quindi i requisiti necessari per l’applicabilità di questa tipologia di
manutenzione, andando poi a valutare il parco macchine presente in
ospedale dal punto di vista dell’applicabilità stessa. Nella seconda metà
del capitolo verrà riportato il risultato della ricerca preliminare e si
evidenzieranno, oltre ai risultati ottenuti dal punto di vista di algoritmi
sviluppati, le criticità e le limitazioni incontrate.
71
CAPITOLO 4. LA MANUTENZIONE PREDITTIVA PRESSO L’ASST
VIMERCATE
4.1 Indagine preliminare
Come visto nel capitolo precedente, la previsione dell’insorgenza di un

guasto in un macchinario è ottenibile avendo a disposizione dati ottenuti
tramite monitoraggio costante (preferibilmente real time) di variabili
fisiche di interesse. Le più comuni variabili sottoposte a monitoraggio,
per cui risulta relativamente semplice l’applicazione dello stesso, sono:
• Temperatura: monitorata attraverso termometri dotati di unità di

memoria per il salvataggio e la successiva comunicazione in remoto
dei dati misurati.
• Pressione: monitorata attraverso sensori applicati alle parti mec-
caniche di interesse.
• Ampiezza, fase e spettrometria delle vibrazioni meccaniche: varia-
bili, queste, che risultano molto adatte ad essere studiate per il
monitoraggio e la previsione dello stato di salute di un dispositivo
meccanico sottoposto a movimenti ciclici, o di un componente dello
stesso. L’analisi dello spettro delle frequenze si è dimostrato, in
letteratura, una buona metodologia di indagine (ref).
• Tensioni e correnti: misurate, manualmente, attraverso ampero-
metri e voltmetri e automaticamente attraverso letture “interne”
effettuate dai software stessi dei macchinari.
Per l’individuazione di una classe di dispositivi adeguata per essere

trattata e analizzata nell’ottica di manutenzione predittiva, ci si è
avvalsi della consultazione sia del Global Service, sia del personale del
72
4.1. INDAGINE PRELIMINARE
SIC. I risultati di queste consultazioni possono essere sintetizzati nei

seguenti punti:
• L’interesse comune rispetto all’applicazione di una strategia di

manutenzione predittiva è indirizzato verso la minimizzazione del
fermo macchina in tutte quelle apparecchiature elettromedicali
considerati “ad alta incidenza”, ovvero il cui guasto comporta
importanti rallentamenti nell’erogazione dei servizi sanitari e l’ap-
plicazione clinica per il quale sono utilizzati interessa una grande
parte del bacino di utenza della popolazione. Fanno parte di que-
sta famiglia: TAC, Risonanze Magnetiche, Mammografi, ecografi,
defibrillatori etc.
• Esistono molti dispositivi, in ospedale, che hanno una connessione
intranet per il collegamento alla rete dell’ospedale, ma per nessuno
di questi è prevista, per sua propria natura e progettazione, una
comunicazione di dati fisici e parametri. Questa è la maggiore
criticità incontrata.
• L’eventuale modifica di un apparecchio elettromedicale, anche se di
proprietà dell’ospedale, al fine dell’inserimento di sensori utili alla
raccolta di dati fisici (come un semplice termometro) risulterebbe in
una invalidazione della certificazione CE, garanzia della sicurezza
del dispositivo, innalzando il rischio (sia per il paziente, sia per
l’operatore) relativo all’utilizzazione dello stesso.
Si ha quindi una situazione generale dove risulta difficile, per l’Azienda

Ospedaliera in generale e per Ingegneria Clinica in particolare, pensare
73
VIMERCATE
di poter applicare una metodologia di manutenzione così avanzata.

Tuttavia, il sistema informativo presente in Ospedale ha, come si vedrà
più avanti nel capitolo 5 relativo allo sviluppo del software , tutti i
requisiti per poter, in futuro, ospitare un sistema di manutenzione di
questo tipo.
74
4.2. L’ANALISI DEI LOG MACCHINA
4.2 L’analisi dei log macchina
A fronte della situazione delineata si è cercato di sfruttare sistemi e

risorse attualmente disponibili in Azienda, per ottenere dei risultati
che, sebbene non paragonabili alla “manutenzione predittiva” eseguita
in altri settori (come quello manifatturiero), dimostrano l’esistenza di
possibilità pratiche, per l’Ospedale, di indirizzarsi su un percorso di
profondo sviluppo tecnologico dove la digitalizzazione, la data enginee-
ring, l’IoT e applicazioni di intelligenza artificiale hanno e avranno un
ruolo predominante.
In questo contesto, è necessario fare riferimento alle variabili fisiche pre-

cedentemente descritte e ai sensori responsabili delle loro misurazioni.
In realtà, tutte le variabili citate possono essere soggette a monitoraggio
automatico “interno” in quei macchinari dotati di un sistema compu-
terizzato. Queste e molte altre letture ed analisi sui processi svolti
vengono condotte dai computer, installati all’interno dei macchinari, in
modo automatico e a frequenza variabile (impostata dal produttore) per
poi essere salvate in file di memoria chiamati “log” (o più comunemente
log macchina). I log macchina, nei sistemi progettati per produrli,
rappresentano un sistema di autodiagnosi utile ai fini del controllo del
normale funzionamento del dispositivo da parte del personale tecnico.
Si pensi infatti al caso di manutenzione correttiva effettuata sulla ri-
sonanza magnetica Philips Achieva descritto nel capitolo 2.4. In quel
frangente, il personale tecnico di Philips ha estratto e caricato i log
75
VIMERCATE
macchina generati dall’apparecchiatura in un software proprietario in

grado di riassumere i log e di fornire al tecnico un rapido riassunto di
tutti gli eventi (interni) che hanno interessato la macchina.
La ricerca si è indirizzata, a fronte delle criticità incontrate, nell’analisi

dei log macchina al fine di costruire dei modelli predittivi sullo stato di
salute del dispositivo che li ha generati.
In particolare, per l’attività si è fatto principalmente riferimento allo

studio condotto da Sipos et al. [19] nel quale ci si è avvalsi di diversi
Terabytes di log macchina estratti da diverse migliaia di risonanze
magnetiche prodotte da Siemens ®. La quantità di dati a disposi-
zione, come si vedrà, rappresenta una dei principali requisiti per la
modellizzazione di algoritmi di machine learning perchè, dalla stessa,
dipendono fortemente le capacità di apprendimento del modello che si
vuole sviluppare.
In questo studio, gli autori evidenziano tre principali problematiche

relative all’utilizzo dei log macchina per la predizione dei guasti. Esse
possono essere così riassunte:
1. I log macchina, essendo progettati per supportare personale tec-

nico nella risoluzione di problemi di tipo informatico (attività di
debugging), raramente contengono informazioni esplicite per la
predizione di un guasto del macchinario.
2. I log contengono dati di tipo eterogeneo tra cui: sequenze simboli-
che, serie temporali numeriche, testi non strutturati e variabili ca-
76
4.2. L’ANALISI DEI LOG MACCHINA
tegoriche. Questa particolarità aggiunge uno strato di complessità

all’analisi di questo tipo di dati.
3. I log contengono una grande quantità di dati, il che pone delle
sfide dal punto di vista dell’efficienza computazionale.
Elemento imprescindibile per poter effettuare delle analisi predittive è

la disponibilità di dati relativi ad interventi di manutenzione pregressi
effettuati sulla macchina in esame. Grazie a questi, infatti, è possibile
correlare ogni guasto avvenuto (noto) con il corrispondente insieme di
log macchina.
Partendo da questi presupposti si è cercato, in un primo tentativo, di

utilizzare i log macchina derivanti dal tomografo a risonanza magnetica
estratti in concomitanza con l’intervento di manutenzione correttiva
descritto nel capitolo 2.4. Tuttavia, i dati a disposizione estratti face-
vano riferimento a pochi giorni di attività della macchina, insufficienti
ad essere utilizzati per condurre un’analisi robusta che desse buoni
risultati. Si è presentata quindi la necessità di reperire dalla macchina
stessa altri log. Tuttavia, come evidenziato nel capitolo sopracitato,
le modalità di acquisizione dei log non hanno reso possibile la copia e
l’utilizzo di altri dati.
77
VIMERCATE
4.3 Le lavaendoscopi
Da una approfondita analisi del parco apparecchiature della ASST

Vimercate e da un confronto con l’Ingegneria Clinica su quali tecnologie
fossero di rilevanza aziendale, non solo dal punto di vista tecnologico,
ma anche dal punto di vista dell’efficienza prestazionale nei confronti
dell’utenza, si è deciso di sviluppare il progetto concentrandosi sulle
apparecchiature utilizzate per il re processing di strumenti endosco-
pici flessibili (gastroscopi, colonscopi, broncoscopi ecc.), definite nel
linguaggio comune “lavaendoscopi”.
Il corretto e puntuale funzionamento di tali apparecchiature è di fon-

damentale importanza perché garantisce l’esecuzione di tutti gli esami
diagnostici e operativi su pazienti ricoverati ed esterni, compresi tutti
quelli inseriti nei programmi di screening regionali. Attraverso la con-
sultazione e l’analisi dei dati ricavati dal portale di Regione Lombardia
per la fruizione degli open data [8] è emerso che la ASST di Vimercate
ha effettuato nel 2017 un numero totale di prestazioni ambulatoriali
afferenti al reparto di endoscopia pari a 15678 prestazioni. Nella tabella
seguente viene riportata la suddivisione di tale numero per le tipologie
di attività cliniche.
78
4.3. LE LAVAENDOSCOPI
Tabella 4.3.1: Numero totale di attività cliniche suddivise per tipologia di prestazione
effettuate nel 2017 dalla ASST di Vimercate afferenti al reparto di endoscopia
Tipologia Numero di prestazioni effettuate
Ambulatorio 15066
Screening 501
Pronto Soccorso 111
Sempre in relazione alle attività svolte dallo stesso reparto, si riportano

le cinque prestazioni maggiormente effettuate dalla ASST di Vimercate
nel 2017.
Tabella 4.3.2: Top 5 prestazioni di tipo ambulatoriale effettuate

Nome della prestazione Numero di prestazioni effettuate
Esofagogastroduodenoscopia [Egd] 4953

Colonscopia Con Endoscopio Flessibile 3595
Visita Gastroenterologica Di Controllo 2903
Prima Visita Gastroenterologica 1413
Polipectomia Endoscopica Dell’ Intestino Crasso 1342
Dai dati riportati è immediato constatare che le lavaendoscopi, pur

non essendo apparecchiature particolarmente complesse, rappresentano
però una tecnologia di grande impatto per l’ASST. Per queste macchine
è stato quindi sviluppato un software di monitoraggio comprensivo di
un modulo di manutenzione predittiva. In figura 4.3.1 è riportata una
fotografia del dispositivo in questione.
79
VIMERCATE
Figura 4.3.1: Lava-Sterilizzatrice MEDIVATORS®ISA®
Nello specifico, la Lava-Sterilizzatrice MEDIVATORS® ISA® è un

dispositivo medico progettato per il lavaggio e la sterilizzazione chimica
a freddo degli endoscopi rigidi e flessibili e degli accessori endoscopici.
In sintesi, il processo di utilizzo della macchina consiste in diverse fasi:
1. accensione della macchina;

2. carico endoscopi nella vasca;
3. chiusura della vasca e selezione del ciclo di riprocessazione deside-
rato;
4. prelievo dell’endoscopio dalla vasca;
80
In concomitanza con la fine di un ciclo di lavaggio, il dispositivo registra

nel proprio hard disk tutte le informazioni relative al ciclo eseguito
creando un archivio elettronico consultabile in qualsiasi momento. Inol-
tre, è dotato di una stampante integrata che, al termine di ogni ciclo,
stampa in automatico un report del ciclo. Il report è un documento
essenziale per la convalida del ciclo e deve essere sempre conservato.
L’attenzione è stata posta proprio su questi report di stampa chiamati

per brevità “scontrini”. In figura 4.3.2 viene riportato un esempio di
scontrino in formato digitale.
81
VIMERCATE
Figura 4.3.2: Report stampato dalla lava-sterilizzatrice MEDIVATORS ®ISA ®
Sempre in riferimento alla figura 4.3.2, i parametri riportati sugli

scontrini di fine lavaggio sono:
• data ed ora di inizio ciclo;

• dati strumento (categoria-s/n);
• medico (opzionale);
82
• paziente (opzionale);
• tipo di ciclo eseguito;
• numero progressivo del ciclo;
• fasi del ciclo con relativi tempi di contatto e temperatura;
• esito del ciclo;
Gli scontrini rappresentano una buona fonte di dati per quanto riguarda
lo stato di funzionamento della macchina in quanto, come visto, essi
riportano sia gli attori coinvolti nello specifico ciclo di lavaggio, sia gli
eventuali allarmi registrati durante il lavaggio. Essi riportano inoltre
variabili numeriche quali temperatura e tempi delle varie fasi del ciclo
selezionato.
Con questi dati a disposizione si è indagata quindi la possibilità di pre-

vedere, con un anticipo di 7 giorni, l’insorgenza di guasti tali da indurre
il personale del reparto a richiedere un intervento di manutenzione
correttiva al Global Service.
L’attività svolta si è articolata in diverse fasi, descritte nel dettaglio

nei successivi paragrafi.
83
VIMERCATE
4.4 Raccolta Dati
La prima fase operativa è stata quella di raccolta ed estrapolazione degli

scontrini dalle macchine in questione. Con la collaborazione del reparto
di endoscopia e del SIC è stato possibile estrarre dall’apparecchiatura in
oggetto, l’intero storico dei report di lavaggio conservati nell’hard disk
della macchina per un totale di 5441 scontrini (pari a 3 anni di attività).
I dati estratti sono stati salvati su una chiavetta USB e l’estrazione ha
impiegato circa 20 minuti.
84
4.5. CONVERSIONE DEI FILE DI BACKUP
4.5 Conversione dei file di backup
Per utilizzare le informazioni contenute negli scontrini estratti dalla

memoria della macchina, sono stati scritti ed utilizzati diversi script
utilizzando il linguaggio di programmazione R. Il primo tra questi ad
essere progettato è stato quello responsabile della trasformazione dei
5441 file di testo in un unico file tabellare attraverso diverse funzioni
scritte ad hoc. Questo script individua gli scontrini e riorganizza le
informazioni estraibli da questi in un formato a righe e colonne (questo
tipo di dato viene chiamato “dataframe” in R). In particolare, ogni riga
corrisponde ad uno scontrino e ogni colonna rappresenta una “feature”
identificabile nello scontrino stesso. Questo passaggio è stato necessario
al fine di disporre di una struttura dati ben organizzata e coerente,
indispensabile per le successive fasi di modellizzazione. La vera e propria
conversione del dato avviene per mezzo di particolari pattern di ricerca
chiamate “espressioni regolari” o “Regex” (Regular expression). Si è
scelto di usare questo tipo di espressioni in quanto, sebbene tutti e
i 5441 scontrini fossero file di testo diversi l’uno dall’altro, si basano
sul concetto di sfruttare delle regolarità presenti in un dato testo ed
estrapolarne informazioni di interesse. In sintesi, per la conversione
degli scontrini si è organizzata la struttura degli stessi in 3 parti, per le
quali sono state scritte funzioni di estrazione utilizzando le Regex citate
precedentemente. La struttura degli scontrini è stata così separata:
1. Intro: parte introduttiva dello scontrino che reca il nome della
85
VIMERCATE
macchina (Medivators ISA), il nome della ASST e il reparto di

ubicazione della macchina. Queste righe, comuni a tutti gli scon-
trini, non apportano contenuto informativo utile ai fini predittivi
e sono quindi state scartate.
2. Header: questa parte di testo contiene alcune delle informazioni

precedentemente elencate in riferimento alla figura 4.3.2. Que-
ste informazioni sono presentate (in tutti gli scontrini) con la
stessa “struttura” ovvero: NOME CAMPO: VALORE CAMPO. Di conse-
guenza sono state utilizzate due espressioni regolari per “estrarre”
rispettivamente il NOME e il VALORE del campo:
• NOME CAMPO: per estrarre il nome del campo si è utiliz-

zata la seguente regex: .*(?=: ). I simboli utilizzati in una
regex vengono chiamati “metacaratteri” e, nel caso della regex
precedente, essi possono essere tradotti con la seguente istru-
zione: “Seleziona tutti i caratteri (tramite i metacaratteri .*)
che precedono un carattere di due punti e spazio (tramite la
metaistruzione chiamata ‘positive lookahead’ (?=: ) )”.
• VALORE CAMPO: per estrarre invece il valore del campo si
è utilizzata la seguente regex: (?<=: ).* che è esattamente
speculare alla prima. In questa infatti vengono selezionati i
caratteri che seguono il carattere “:” e lo spazio.
3. Footer: in questa parte sono elencate le varie fasi di lavaggio il

cui nome è anteposto ad un timestamp corrispondente all’orario di
86
inizio della fase stessa. Anche in questo caso, per estrarre il nome
delle fasi di lavaggio, sono state utilizzate delle regex in modo tale
da “estrarre” i caratteri che si trovavano in seguito ad un timestamp.
In particolare, si è utilizzata la regex: \\d\\d:\\d\\d:\\d\\d .*
In figura 4.5.1 sono riportati due scontrini ed evidenziate le tre parti

descritte.
MEDIVATORS ISA MEDIVATORS ISA

ASST VIMERCATE ASST VIMERCATE
ENDOSCOPIA VIMERCATE Intro ENDOSCOPIA VIMERCATE
------------------------------ ------------------------------
NUMERO SERIALE: 6-0014 NUMERO SERIALE: 6-0014
INIZIO CICLO: 05/10/2016 15:33:49 INIZIO CICLO: 25/10/2016 08:01:13
STRUMENTO: VNL-1170 K STRUMENTO: 0
CATEGORIA: LARINGOSCOPIO CATEGORIA: 0
MATRICOLA: G120201 MATRICOLA:
IDENTIFICATIVO: 21 IDENTIFICATIVO: 0
OPERATORE: G.B. OPERATORE: C.G.
MEDICO: MEDICO:
PAZIENTE: PAZIENTE:
TIPO CICLO: STERILIZZAZIONE VELOCE Header TIPO CICLO: AUTOSANIFICAZIONE
NUMERO CICLO: 1071 NUMERO CICLO: 1170
15:33:49 TEST DI TENUTA 08:01:13 TEST DI TENUTA
15:34:49 CARICO ACQUA 08:01:33 CARICO ACQUA
15:36:07 TEMPERATURA:24°C 08:02:35 CARICO STERILIZZANTE 1
15:36:28 CARICO STERILIZZANTE 1 08:02:42 TEMPERATURA:29°C
15:37:19 CAMBIO TANICA 08:03:26 CARICO STERILIZZANTE 2
15:42:59 CARICO STERILIZZANTE 2 08:04:12 MISCELAZIONE
15:43:16 CARICO STERILIZZANTE 2 08:05:20 DISINFEZIONE
15:44:03 STERILIZZAZIONE DINAMICA 08:15:22 SCARICO
15:54:11 SCARICO 08:16:51 CARICO ACQUA
15:55:50 CARICO ACQUA 08:17:23 RISCIACQUO
15:56:30 RISCIACQUO 08:19:03 SCARICO
15:58:18 SCARICO 08:20:32 ASCIUGATURA
15:59:56 ASCIUGATURA 08:21:48 FINE CICLO
16:00:43 FINE CICLO 08:24:32 PRELEVATO DA: B.M.
16:04:08 PRELEVATO DA: M.F.
08:24:32 CICLO REGOLARE
16:04:08 CICLO REGOLARE Footer
Figura 4.5.1: Divisione degli scontrini nelle parti di Intro, Header e Footer
87
VIMERCATE
Con operazioni simili a quelle descritte, ovvero analizzando il testo

degli scontrini per trovare e sfruttare le regolarità presenti nel testo, si è
costruita una funzione che ricevesse come input un file in formato .txt,
rappresentante lo scontrino, e che restituisse in uscita un dataframe
composto da una sola riga. La funzione è stata poi fatta ciclare su tutto
l’insieme di scontrini a disposizione ottenendo un’unica tabella da 5441
righe e 12 colonne (features). Un esempio del dataframe generabile
dalla funzione descritta è riportato in figura 4.5.2.
Figura 4.5.2: Tabella ottenuta dalla conversione dei file testuali degli scontrini.
È importante sottolineare il fatto che, tra le feature selezionate, ne è

stata creata una che contenesse il testo dello scontrino “pulito” dai
caratteri di punteggiatura e caratteri non alfanumerici. Il motivo di
questa scelta sta nella decisione di sfruttare la natura “testuale” di
questi log macchina utilizzando tecniche di text mining per costruire dei
88
modelli predittivi basandosi esclusivamente sulle parole contenute nei

diversi file testuali, andando a sfruttare quindi la struttura originaria
del log macchina.
89
VIMERCATE
4.6 Modellizzazione
Per prima cosa è stato necessario estrarre dal software di manutenzione

“Coswin8i” utilizzato in ospedale, lo storico delle manutenzioni effettuate
sulla macchina da cui sono stati estratti gli scontrini. Sono state,
quindi, incrociate le date presenti sugli scontrini con quelle riportate
dal servizio di manutenzione, così da avere la possibilità di studiare gli
scontrini corrispondenti a 7 giorni precedenti all’effettiva chiamata al
Global Service (d’ora in avanti chiamati per brevità “giorni predittivi”).
Tentativo di questo lavoro è stato quello di correlare i guasti della
lavaendoscopi alle informazioni contenute negli scontrini dei giorni
predittivi, al fine di ottenere un modello di predizione in grado di
calcolare probabilità di guasto delle lavaendoscopi utilizzando, per
l’apprendimento del modello, i file di backup corrispondenti a 3 anni di
attività raccolti dalla macchina stessa.
4.6.1 Apprendimento ad istanza multipla
Per costruire tale modello è stato prima indagato l’approccio di appren-

dimento migliore, in riferimento al capitolo 3.4, ed è stato scelto, sulla
base di un precedente lavoro trovato in letteratura, una tipologia di
apprendimento supervisionato chiamato “Apprendimento ad Istanza
Multipla” (Multiple instance learning, MIL). In questa metodologia, il
classificatore non riceve una serie di esempi indipendenti xi caratteriz-
zati da una etichetta (l’output desiderato ti ) come avviene nel classico
90
4.6. MODELLIZZAZIONE
apprendimento supervisionato, ma riceve un insieme di “borse” o “con-

tenitori” a cui viene associata un’etichetta che rappresenta l’output che
dovrà imparare a produrre. Ogni “borsa” può contenere più istanze,
corrispondenti in questo caso agli scontrini di un giorno di attività,
e, nello specifico, una “borsa” viene etichettata come “positiva” se
contiene al suo interno scontrini appartenenti ad un “giorno predittivo”
e “negativa” altrimenti. Di conseguenza, il classificatore desiderato è
stato progettato per classificare una borsa di scontrini come positiva
o negativa, a seconda delle informazioni contenute negli scontrini di
un singolo giorno. Uno schema riassuntivo dell’approccio descritto è
riportato in figura 4.6.1.
Giorno del guasto
t
scontrini scontrini scontrini
prodotti prodotti prodotti
borsa relativa al giorno t-9 borsa relativa al giorno t-2 borsa relativa al giorno t-1
NEGATIVA POSITIVA POSITIVA
Figura 4.6.1: Apprendimento ad istanza multipla. La prima borsa è associata ad una

etichetta “negativa” in quanto al di fuori dell’intervallo di predizione dei 7 giorni.
Successivamente al raggruppamento degli scontrini in “borse”, si è cer-

cato di risolvere il problema di classificazione riducendo la complessità
generale passando cioè dall’approccio MIL a quello più standard di
91
VIMERCATE
apprendimento supervisionato. Questo è stato reso possibile grazie

alla trasformazione di tutti gli scontrini presenti in una singola borsa
in un unico “metascontrino”, detto specificatamente “metaesempio”,
consistente un’unica osservazione generata tramite la sintetizzazione
delle informazioni presenti in tutti gli scontrini della stessa borsa. Così
facendo non si hanno più degli insiemi di scontrini contenenti diverse
osservazioni, ma, allineandosi al più tradizionale approccio di apprendi-
mento supervisionato, si ha una serie di osservazioni (i metascontrini)
caratterizzate da un’etichetta unica. Quest’ultima struttura così ottenu-
ta, associabile ad una tabella, risulta più semplice da gestire per quanto
riguarda la modellizzazione di un algoritmo di predizione in quan-
to le librerie utilizzate per l’apprendimento dei modelli di predizione
richiedono spesso una struttura dati di questo tipo.
4.6.2 Text mining: creazione del Corpus
Per creare questi “metascontrini” sono state utilizzate diverse tecniche

di Text Mining sfruttando le capacità della libreria R chiamata “tm”,
diminutivo, appunto, di “text mining”.
Il Text Mining consiste nell’applicazione di tecniche di Data Mining a

testi non strutturati (agenzie stampa, pagine web, e-mail, ecc.) e più
in generale a qualsiasi “corpus” di documenti, allo scopo di:
• individuare i principali gruppi tematici;

• classificare i documenti in categorie predefinite;
92
• scoprire associazioni nascoste (legami tra argomenti, o tra autori,

trend temporali, . . . );
• estrarre informazioni specifiche (es: nomi di geni, nomi di aziende,
. . . );
• addestrare motori di ricerca;
• estrarre concetti per la creazione di ontologie (ontology learning).
Vista la natura prettamente testuale degli scontrini, si è deciso di

utilizzare alcune delle metodiche proprie del Text Mining al fine di tra-
sformare il testo di ogni scontrino in un insieme di features da utilizzare
per la creazione di un modello di predizione. Questa scelta rappresenta
un approccio innovativo al tema della manutenzione predittiva. Infatti,
oltre all’utilizzo del Text Mining nel lavoro di Sipos et al. [19], attual-
mente non stati reperiti in letteratura casi di utilizzo di queste tecniche
applicate al tema della manutenzione predittiva che, infatti, si basa più
comunemente sull’analisi numerica di variabili fisiche misurate per via
diretta o derivata.
A partire dalla feature chiamata “testo”, creata dalla funzione descritta

nel paragrafo 4.5, è stato quindi creato un “corpus”, ovvero una colle-
zione di documenti, per ognuna delle “borse” di scontrini. Esplorando i
primi 5 documenti di un corpus, per esempio, si ottiene:
93
VIMERCATE
<< VCorpus > >

Metadata : corpus specific : 0 , document level ( indexed ) : 0
Content : documents : 5
[[1]]
<< PlainTextDocument > >
Metadata : 7
Content : chars : 115
[[2]]
Metadata : 7
[[3]]
Metadata : 7
[[4]]
Metadata : 7
[[5]]
Metadata : 7
94
Nell’output precedente è intuibile la struttura del corpus: ogni elemento

dello stesso viene identificato come un “PlainTextDocument” il cui con-
tenuto è dato da un variabile numero di caratteri testuali. Esplorando
il primo documento è possibile leggere il testo del relativo scontrino,
pulito precedentemente da eventuali caratteri speciali, punteggiatura e
numeri:
Metadata : 7
tipo ciclo complete disinfection test di tenuta allarme pressione

minima test di tenuta fine ciclo ciclo irregolare
4.6.3 Text mining: Document Term Matrix
Il passo successivo è stato quello di convertire i corpora creati in una

struttura a matrice tipicamente utilizzata in applicazioni di text mining
chiamata “Document Term Matrix”. Questo tipo di matrice è composta
da un numero di righe pari al numero di documenti presenti in un
corpus e da tante colonne quanti sono i termini presenti in tutti i
documenti dello stesso, presi una sola volta. Il valore all’incrocio di
una riga e di una colonna determina la tipologia di “peso” che viene
assegnato ad ogni termine rispetto ad ogni documento. Tra le “pesature”
possibili, si riportano quelle più comunemente utilizzate in questo tipo
di applicazioni:
95
VIMERCATE
1. Term Frequency (tf): indicata con tf (t, d) = ft,d rappresenta il

conteggio delle volte in cui è presente un termine t in un documento
d.
2. Term Frequency - Inverse Document Frequency (tf-idf):
definita come il prodotto tra la Term Frequency ed la Inverse
Document Frequency. Quest’ultima è una misura del quantitativo
informativo che una parola apporta rispetto alla sua frequenza in
un set di documenti. Matematicamente è definita come:
N
!
idf(t, D) = log (4.1)
nt
dove:
• N rappresenta il numero di documenti nel corpus

• nt è il numero di documenti in cui compare il termine t
Di conseguenza, la tf-idf è definita come:
N
!
tfidf(t, d, D) = tf(t, d) · idf(t, D) = ft,d · log (4.2)
nt
In figura 4.6.2 viene riportato un esempio di come la pesatura tramite

tf-idf tenda ad agire come un “filtro” per i termini più comuni, pren-
dendo come esempio due termini presenti in uno stesso documento con
la stessa frequenza. Si osserva, infatti, che a pari frequenza corrispon-
de un punteggio che è maggiore per i termini che compaiono meno
96
frequentemente nel corpus.

12
9 t1
TF−IDF
3
t2
0
0 10 20 30 40 50
nt
Figura 4.6.2: Valore dato dalla tf-idf per due termini generici t1 e t2 , ipotizzando la
stessa frequenza (fd,t1,2 = 3) all’interno di un generico documento d. t1 compare in
meno documenti del corpus (nt1 = 4), di conseguenza il suo peso risulta maggiore.
Tra le due metodologie di pesatura elencate, è stata scelta la seconda.

Questo perchè la natura degli scontrini può essere meglio caratterizzata
dai termini relativi a guasti e allarmi, che sono infatti meno frequenti
rispetto a quelli che indicano un comportamento normale dell’appa-
recchiatura. È stato inoltre costruito un corpus “generale” utilizzando
come documenti tutti gli scontrini a disposizione in modo tale da va-
lutare la frequenza dei termini più comuni e di quelli “tipici” di uno
scontrino “anomalo” è evidenziata nel grafico a barre in figura 4.6.3.
97
VIMERCATE
carico
acqua
scarico
ciclo
sterilizzante
risciacquo
sterilizzazione
temperaturac
test
tenuta
tipo
fine
regolare
dinamica
detergente
detersione
Termini nel corpus
completa
asciugatura
veloce
autosanificazione
disinfezione
miscelazione
sterilization
complete
allarme 511
irregolare 490
tanica
cambio
canale
scollegato 170
fast
stop
pulsante
minima
temperatura
pressione
numero
otturato 49
massima
perdita 32
liquido
0 10000 20000 30000
Frequenza nel corpus
Figura 4.6.3: Frequenza dei 40 termini più comuni nel corpus generale degli scontrini.
La rarità dei termini che riflettono un comportamento anomalo è diretta

conseguenza della poca frequenza con cui si verificano eventi di guasto.
Dal software di gestione della manutenzione, infatti, è stato riscontrato
che la macchina in questione è stata interessata da 47 interventi di
98
manutenzione correttiva. Su circa 800 giorni di attività della macchina

i guasti sono da considerarsi come eventi rari, interessando infatti poco
più del 5% dei giorni di attività totali.
È parso ragionevole, al fine di discriminare in modo ottimale un com-

portamento anomalo da uno nominale, assegnare un peso maggiore ai
termini con una frequenza relativa minore tramite la tf-idf descritta
sopra.
A seguito di queste considerazioni, si riportano, a solo scopo di esem-

pio, le prime 5 righe di una Document Term Matrix ottenuta dalla
trasformazione di uno dei corpora ottenuti.
Tabella 4.6.1: Document Term Matrix

allarme ciclo disinfezione irregolare regolare sterilizzante
Scontrino 1 0.2403061 0 0.0000000 0.229516 0.0000000 0.0000000

Scontrino 2 0.0000000 0 0.0000000 0.286895 0.0000000 0.0000000
Scontrino 3 0.0000000 0 0.0000000 0.000000 0.0000000 0.0000000
Scontrino 4 0.0000000 0 0.0831385 0.000000 0.0045699 0.0059028
Scontrino 5 0.2403061 0 0.0000000 0.229516 0.0000000 0.0000000
4.6.4 Fase di training e testing
Una volta raggruppati gli scontrini in borse corrispondenti a 7 giorni di

attività, ad ogni borsa è stata assegnata la label “positiva”, se tra gli
scontrini della borsa era presente almeno uno corrispondente ad uno dei
giorni “predittivi”, definiti nel paragrafo 4.6.1, “negativa” altrimenti.
99
VIMERCATE
Le borse sono poi state ridotte ad un’unica osservazione (metascontrino)

mediando i valori della DTM per ogni termine presente al suo interno.
Successivamente, i dati sono stati divisi in gruppo di training e testing

(chiamati d’ora in avanti training e test set), sui quali è stato costruito
il modello di predizione. Per il processo di training è stato utilizzato
un pacchetto di R chiamato “caret” (acronimo di “Classification And
REgression Training”), contenente un gruppo di funzioni che facilitano
la creazione di modelli predittivi tramite strumenti per la divisione dei
dati in gruppo di training e testing (data splitting), pre-processamento
dei dati, ottimizzazione dei modelli (model tuning) e altre funzionalità.
Specificatamente, nella fase di training, le funzioni nel pacchetto caret

si occupano di:
• valutare, ripetendo le operazioni di addestramento di un modello

tramite ri-selezione dei dati (resampling), l’effetto dei parametri di
ottimizzazione (ovvero i parametri specifici di un modello, come α
e β della di una regressione logistica, descritti nel capitolo 3.4.1)
sulle performance di predizione;
• scegliere il modello “ottimale” tra questi parametri;
• stimare le performance del modello dal training set.
In particolare, per agevolare la fase di training e test, è stata creata una

funzione in grado di allenare diversi modelli, definiti da una lista scelta
dall’utente, in modo sequenziale e di salvare le performance di predizione
di ogni modello in una tabella consultabile a fine addestramento. Questo
100
ha aiutato nella scelta del modello ottimale, in quanto è stato possibile

confrontare diversi risultati di addestramento al variare di alcune opzioni
di modellizzazione come ad esempio il metodo di resampling, la scelta
dei modelli e la modalità di creazione dei metascontrini.
101
VIMERCATE
4.7 Scelta del modello ottimale
Prima di introdurre i risultati, si riportano di seguito le definizioni delle

statistiche utilizzate per la valutazione delle performance dei modelli
sviluppati. Si utilizza come riferimento una matrice di confusione,
struttura spesso utilizzata per valutare le performance di un modello
di classificazione binaria (anche se facilmente estendibile al caso di
classificazione multipla) caratterizzata dalla seguente struttura:
Tabella 4.7.1: Matrice di confusione

Riferimento
Negativi Positivi
Negativi TN1 FP3

Previsione
Positivi FN2 TP4
1
True Negative: osservazioni classificate come negative, in modo corretto
2
False Negative: osservazioni classificate come negative, erroneamente
3
False Positive: osservazioni classificate come positive, in modo corretto
4
True Positive: osservazioni classificate come positive, erroneamente
Dalla tabella è possibile definire le seguenti statistiche:
• accuratezza: rapporto tra le osservazioni classificate corretta-

mente e il numero totale di osservazioni
TP + TN
Accuracy =
TP + TN + FP + FN
102
4.7. SCELTA DEL MODELLO OTTIMALE
• sensitività: chiamata anche recall o true positive rate, è definita

come il rapporto tra i veri positivi e i positivi totali
TP
Sensitivity =
TP + FN
• specificità: definita come il rapporto tra i veri negativi e i negativi
totali
TN
Specif icity =
TN + FP
• precisione: definita come il rapporto tra i veri positivi e la somma
tra veri positivi e falsi positivi
TP
P recision =
TP + FP
In un caso come questo di manutenzione predittiva, in cui gli eventi di
guasto rappresentano la classe caratterizzata da una frequenza minore
rispetto al normale comportamento del macchinario, la statistica di ac-
curatezza non è un buon indice per valutare la bontà di un classificatore
che ha come compito quello di identificare, appunto, comportamenti
anomali. In casi come questi, in cui è presente uno sbilanciamento tra
classi, è meglio fare affidamento su altre statistiche come sensitività,
specificità e precisione, perchè esse tengono meglio conto della capaci-
tà del classificatore di discriminare tra eventi “positivi”, di guasto, e
“negativi”.
Di seguito si riportano le performance di predizione dei modelli ottenuti.
103
VIMERCATE
Tabella 4.7.2: Performance dei modelli ottenuti

Model name Accuracy Sensitivity Specificity Precision
Bayesian Generalized Linear 0.75 0.23 0.92 0.47

Model
Generalized Linear Model 0.39 0.21 0.89 0.25
Naive Bayes 0.73 0.11 0.93 0.36
Neural Network 0.71 0.11 0.91 0.29
Support Vector Machine (Linear 0.73 0.20 0.91 0.4
Kernel)
Sebbene l’accuratezza risulti buona nella maggior parte dei modelli,

essa, a causa del forte sbilanciamento delle classi da predire, deve
essere razionalizzata e considerata insieme ad altre misure più consone
al caso in esame. L’elevato valore di specificità comune a tutti i
modelli addestrati significa che essi si dimostrano buoni classificatori
per quanto riguarda l’identificazione della classe “negativa”. Tuttavia,
i bassi valori di sensitività indicano che la capacità dei modelli di
identificare correttamente la classe “positiva” dovrà essere migliorata
aumentando il numero di dati a disposizione per l’apprendimento dei
modelli stessi.
Di per sé , infatti, il sopracitato sbilanciamento delle classi è un problema

comune in applicazioni di machine learning ed è facilmente aggirabile
tramite diversi approcci come ad esempio specificando al pacchetto
caret di utilizzare un metodo di apprendimento che tenga conto del forte
sbilanciamento di classi (downsampling). In questo modo, ad esempio,
104
4.7. SCELTA DEL MODELLO OTTIMALE
ad ogni iterazione della fase di apprendimento vengono selezionate un

pari numero di osservazioni positive e negative (utilizzando tutte quelle
positive a disposizione), annullando quindi lo sbilanciamento.
Un ulteriore margine di miglioramento consisterebbe nell’aumentare il

numero di dati relativi esclusivamente alla classe “positiva”, in modo
da facilitare l’apprendimento dei modelli. Per ottenere tali dati sarà es-
senziale la presenza di dati relativi agli interventi manutentivi effettuati
senza i quali, infatti, non si avrebbe la possibilità di etichettare le osser-
vazioni a disposizione, invalidando quindi il concetto di apprendimento
supervisionato.
Il lavoro svolto risulta quindi un buon punto di partenza per eventuali

sviluppi futuri, in quanto l’aggiunta di ulteriori dati non implicherebbe
la modifica di tutte le fasi elencate precedentemente, ma semplicemente
un maggiore tempo di elaborazione per l’addestramento dei modelli, in
misura proporzionale alla quantità di nuove osservazioni.
105
Capitolo 5
Web App INSIGHT
In questo capitolo viene descritto in che modo si è arrivati alla decisione

di sviluppare una web app (chiamata “INSIGHT”) per il reparto di
endoscopia. Vengono prima indicate le problematiche relative alla ripro-
cessazione della strumentazione endoscopica e, per ognuna di esse, verrà
descritto in che modo la web app sviluppata può essere d’aiuto nella
razionalizzazione e nella successiva risoluzione delle stesse. Verrà inoltre
trattata la strategia utilizzata per effettuare il software deployment
che ha reso disponibile l’applicazione sulla rete interna dell’ospedale,
grazie al contributo dell’U.O.C. Sistemi Informativi Aziendali. Infine
si evidenzieranno sia le criticità incontrate durante lo sviluppo del
software, sia il riscontro all’utilizzo dell’app da parte del personale del
reparto.
107
CAPITOLO 5. WEB APP INSIGHT
5.1 Sviluppo
Parallelamente alla fase di modellizzazione descritta nel capitolo pre-

cedente, si è affrontato il problema di come rendere effettivamente
utilizzabili le metodologie di analisi sviluppate. Tramite gli algoritmi
per la conversione degli scontrini in tabelle, infatti, si hanno a disposi-
zione dei metodi efficaci per tenere traccia di numerose informazioni
relative ai cicli di lavaggio. Unitamente a ciò, si è sentita la necessità
di fornire al reparto uno strumento che “digitalizzasse” tutte le attività
di gestione legate alle lavaendoscopi, orbitanti intorno alla raccolta e
alla conservazione degli scontrini in formato cartaceo, per poi essere
consultati manualmente in fase di necessità.
Da queste considerazioni è nata l’idea di sviluppare un software che

permettesse, tramite una dashboard altamente interattiva, di tenere
sotto controllo diversi parametri relativi all’attività delle macchine
sopracitate e che, tramite un’interfaccia user-friendly, fosse di facile
utilizzo. Il software, più specificatamente una “web app”, è stato
sviluppato in R utilizzando il pacchetto “Shiny”. Quest’ultimo racchiude
diverse funzionalità utili per creare applicazioni interattive sfruttando
il linguaggio di programmazione R.
La web app così sviluppata è stata chiamata “INSIGHT” proprio

per la sua caratteristica di fornire all’utente una serie di informazioni
numeriche circa le performance dei cicli di lavaggio effettuati, indicando
quindi la situazione reale a partire dai dati di backup delle macchine.
108
5.1. SVILUPPO
Oltre a ciò, “INSIGHT” è stata sviluppata integrando un modulo per

la manutenzione predittiva, che verrà descritto più approfonditamente
nei paragrafi successivi.
Dopo una fase di sviluppo preliminare, la web app è stata testata dalla
responsabile di reparto e da una collaboratrice. Le osservazioni e le
richieste del personale di reparto sono state cruciali per il miglioramento
del software. In particolare, il reparto ha richiesto la possibilità di poter
visualizzare:
• il numero e la tipologia di allarmi in relazione al tipo di dispositivo

sottoposto a riprocessazione;
• il numero di cicli regolari e cicli irregolari per tipologia di disposi-
tivo;
• il numero di cicli totali effettuati in un determinato periodo di
tempo;
• gli operatori con il maggior numero di cicli irregolari;
Il software è quindi stato aggiornato aggiungendo, oltre alle featu-

res richieste, delle funzionalità aggiuntive per facilitarne l’utilizzo, co-
me ad esempio un manuale utente [20] scritto sulla piattaforma di
documentazione “gitbook”.
109
5.2 Funzionamento e interfaccia utente
L’interfaccia dell’applicazione è composta da due elementi principali:

un menù di navigazione laterale chiamato “sidebar” e una parte centrale,
chiamato “body”, in cui vengono visualizzati i grafici e le tabelle relative
ai vari menù selezionabili dalla sidebar.
5.2.1 Sidebar
Il primo elemento di interazione è rappresentato dal modulo di carica-

mento degli scontrini, posto in alto a sinistra nella sidebar. L’utente,
tramite questo modulo, seleziona i file testuali (gli scontrini) che vuole
analizzare e li carica nell’applicazione. Più nel dettaglio, il caricamento
avviene in due fasi:
1. i file selezionati vengono copiati dalla cartella di origine in una

cartella temporanea del pc in utilizzo;
2. si utilizza la cartella temporanea per effettuare il vero e proprio
caricamento, che avviene in modo asincrono.
È stato riscontrato che i tempi di upload diminuiscono utilizzando pc

performanti. Questo perchè, come detto, la prima fase di caricamento
consiste in una copiatura “interna” dei file tra una cartella e l’altra
dello stesso computer, ininfluente quindi dalla qualità della connessione
internet, che viene invece utilizzata per effettuare la seconda fase di
caricamento.
110
5.2. FUNZIONAMENTO E INTERFACCIA UTENTE
Una volta completato l’upload dei file, gli algoritmi di trasformazione

specificati nel capitolo precedente analizzano gli scontrini e all’utente
viene chiesto di inserire un intervallo di date che si vuole indagare,
tramite un date-picker. Il calendario è costruito in modo tale che siano
selezionabili solamente effettivamentepresenti negli scontrini caricati
Selezionando un intervallo di date valido, all’utente viene poi richiesto

di specificare, tramite un menù a tendina, il numero seriale della lavaen-
doscopi che si vuole analizzare. L’utente può selezionare diversi numeri
seriali contemporaneamente, per avere una visione più generale. Una
volta selezionate date e numero seriali, gli algoritmi interni all’applica-
zione filtrano tutti i dati secondo le specifiche indicate, permettendo
all’utente di navigare tra i menù dell’applicazione.
Lo schema di funzionamento e gli elementi dell’interfaccia delle fasi

sopracitate sono riportate nella figura seguente.
111
Figura 5.2.1: Sidebar, Date-picker e menù dei numeri seriali
Una volta selezionato un intervallo di date valido e un insieme di

numeri seriali, l’utente può navigare tra le varie pagine dell’applicazione,
visualizzando le diverse informazioni in modo dinamico rispetto alle
scelte effettuate nella sidebar. Se infatti l’utente cambia la selezione
del numero seriale, i grafici e le tabelle cambieranno in modo reattivo
seguendo la scelta impostata dall’utente.
112
5.2.2 Overview
Figura 5.2.2: Schermata della pagina “Overview”
Nella pagina chiamata “Overview” (figura 5.2.2), l’utente ha a dispo-

sizione delle informazioni generiche sull’insieme di scontrini caricati.
Nella parte superiore della pagina sono presenti 6 “info boxes” che
presentano informazioni relative a:
1. giorni di attività analizzati;

2. numero di allarmi rilevati;
3. numero totale di cicli effettuati;
4. numero di cicli regolari e irregolari;
5. un box contenente il modulo di manutenzione predittiva;
I primi 4 box sono cliccabili e ogni box fornisce all’utente informazioni
113
diverse. Cliccando ad esempio sul box corrispondente ai giorni di

attività, l’applicazione restituisce una finestra “modale” (ovvero una
finestra “figlia” che richiede all’utente di interagire con essa prima
di ritornare alla finestra “madre”) contenente una tabella interattiva
(figura 5.2.3). Ogni riga di questa tabella corrisponde ad uno scontrino
e ogni colonna corrisponde ad un campo relativo allo scontrino in esame.
Inoltre, se l’utente clicca su una riga della tabella, a destra della stessa
viene visualizzato il file testuale originario. La finestra modale è anche
dotata di una funzione di ricerca di un termine all’interno di tutte le
righe della tabella stessa e di pulsanti per il download della tabella
in diversi formati (pdf, excel, csv e formato di stampa da browser
Chrome).
Figura 5.2.3: Tabella modale interattiva con visualizzazione print-out
Similmente, l’info box degli allarmi rilevati permette di essere cliccato
114
per visualizzare una finestra modale in cui è presente una tabella che
riporta solo gli scontrini in cui sono stati rilevati allarmi.
Una particolare nota va all’info box che riporta il numero totale dei
cicli effettuati: cliccando su questo box è possibile visualizzare un
diagramma di Sankey (figura 5.2.4), uno specifico tipo di diagramma
di flusso in cui la larghezza dei collegamenti tra un attore e l’altro
del diagramma è direttamente proporzionale alla quantità in gioco nel
flusso. In questo caso, il diagramma fornisce, per ogni numero seriale
selezionato, il numero di cicli regolari e irregolari riscontrati suddivisi
per categoria di strumento sottoposto a riprocessazione. Le quantità in
gioco possono essere visualizzate passando il cursore del mouse sopra
ad uno dei flussi rappresentati.
Figura 5.2.4: Diagramma di Sankey dei cicli di lavaggio effettuati
Per quanto riguarda il modulo della manutenzione predittiva, invece,

esso viene attivato una volta che viene cliccato dall’utente. In questo
115
caso, all’utente viene presentato un grafico con l’andamento della pro-

babilità di guasto nei successivi 7 giorni per ogni macchina selezionata
nella sidebar. La probabilità di guasto viene calcolata utilizzando i
modelli addestrati, descritti nel capitolo 4.6. Ogni modello infatti pre-
dice la probabilità, per un certo insieme di scontrini, di appartenere
o meno ad uno dei già citati “giorni predittivi”. Le predizioni dei vari
modelli vengono poi mediate (secondo la logica del model averaging)
per ottenere un’unica predizione che tenga conto sia dei punti di forza
sia delle debolezze dei vari modelli utilizzati. Tuttavia, come visto nel
capitolo precedente, i modelli sviluppati necessitano di ulteriori studi e
integrazioni per aumentare l’affidabilità nella predizione.
Infine, la parte inferiore della schermata di overview permette di

visualizzare l’andamento nel tempo del numero di cicli regolari e
irregolari.
5.2.3 Allarmi
Questa pagina permette di indagare in modo più approfondito gli allarmi

rilevati negli scontrini selezionati. È composta da una parte superiore
in cui sono presenti dei grafici a barre orizzontali che mostrano, per
ogni lavaendoscopi selezionata, il numero e la tipologia di allarmi divise
per categoria di strumento, come indicato in figura 5.2.5.
116
Figura 5.2.5: Allarmi per categoria di strumento
La parte inferiore è composta invece, a sinistra, da una serie di controlli

con menù a tendina mentre a destra un visualizzatore per un diagramma
di Sankey. L’utente, nel menù a sinistra, seleziona prima la categoria di
strumento che si vuole analizzare, successivamente specifica i modelli
dello strumento a disposizione e infine seleziona la tipologia di allarme
di interesse. Considerando ad esempio l’immagine precedente (figura
5.2.5) si nota ad esempio che la categoria Gastroscope, nel periodo
di tempo selezionato, è quella in cui sono comparsi più allarmi su
diverse macchine. Il problema risiede in un particolare strumento, o
gli allarmi sono distribuiti più o meno in modo uniforme tra tutti i
modelli presenti? Come indicato in figura 5.2.6, per rispondere a queste
domande si seleziona la categoria Gastroscope, si selezionano tutti i
modelli presenti e tutte le categorie di allarme. Il diagramma di Sankey
risultante sembrerebbe indicare che, dei 17 allarmi per la categoria
Gastroscope, 6 di questi sono stati rilevati nel modello denominato
GIF-XTQ160 e tutti e 6 corrispondenti alla categoria “Allarme canale
117
7 otturato”. Gli allarmi fanno riferimento ad un unico strumento (di

numero seriale 2000705) che ha fatto riscontrare diversi allarmi su
3 lavaendoscopi differenti (indicate con i numeri seriali a destra del
diagramma).
Figura 5.2.6: Diagramma di Sankey relativo alla categoria Gastroscope. Le quantità

numeriche sono visualizzabili quando l’utente posiziona il cursore del mouse sui flussi
del diagramma.
5.2.4 Strumentazione
In questa sezione, l’utente ha a disposzione due visualizzazioni: nella

figura 5.2.7 è rappresentata la prima, contenente un grafico a barre
verticali che mostra il numero di cicli effettuati su ogni lavaendoscopi
divisi per ogni categoria di strumento, evidenziando la distribuzione di
cicli regolari e irregolari.
118
Figura 5.2.7: Cicli eseguiti per categoria di strumento
La seconda visualizzazione è riportata in figura 5.2.8: in questa interfac-

cia è possibile selezionare una categoria di strumento per visualizzare,
tramite una tabella del tutto simile a quelle presenti nella pagina “Over-
view” (paragrafo 5.2.2) i dettagli dei cicli (selezionabili tra regolari e
irregolari grazie a delle sezioni sopra la tabella) riferiti alla categoria di
strumento scelta.
119
Figura 5.2.8: Tabella dei cicli regolari/irregolari per la categoria di strumento scelta
5.2.5 Operatori
L’ultima sezione dell’app è composta, a sinistra, da una finestra di

controlli in cui l’utente seleziona, da un menù a tendina, uno o più
operatori e specifica di quale cicli vuole avere il conteggio (regolari o
irregolari o entrambi) mentre, a destra, si ha un grafico a barre verticali
in cui viene presentato il conteggio dei cicli per ciascun operatore selezio-
nato. L’utente può inoltre scegliere se visualizzare il totale dei conteggi
oppure separare il numero di cicli per ciascuna delle lavaendoscopi
selezionate nella sidebar.
120
Figura 5.2.9: Numero di cicli per operatore. Vista Totale
Con questo strumento, è facile ad esempio determinare se un operatore

ha ottenuto un numero di cicli irregolari troppo alto rispetto ai colleghi,
nello stesso intervallo di tempo, in modo tale da poter indagare in
modo mirato la radice del problema e provare quindi a risolverlo. Come
evidenziato in figura 5.2.9, i grafici forniscono informazioni anche sulla
tipologia di strumento che ha generato i cicli (regolari o irregolari), in
modo da dare ulteriori informazioni numeriche, cosa che può essere di
aiuto nel comprendere in maniera più dettagliata se il problema sia
riferito effettivamente all’operatore o al singolo strumento.
Anche per i grafici di questa sezione viene specificato che l’utente può
visualizzare ulteriori informazioni sui dati della singola osservazione
spostando il cursore del mouse nel punto desiderato.
121
5.3 Software deployment
Una volta ottenuta una versione semi-definitiva dell’applicazione, si è

pensato a come poterla rendere accessibile al reparto di endoscopia.
Applicazioni web di questo tipo, create con il pacchetto Shiny, possono
essere gratuitamente “hostate” su internet grazie al servizio chiamato
“Shinyapps.io” grazie al quale, previa registrazione, è possibile caricare
un numero illimitato di applicazioni Shiny scegliendo tra diversi piani
tariffari. Quello gratuito presenta delle limitazioni per quanto riguarda
le ore di accesso ad una applicazione. In particolare, con questa opzione
è possibile utilizzare una app per non più di 25 ore mensili, allo scadere
delle quali il server risponde con una pagina di reindirizzamento e
impedendo l’accesso al servizio. Per ovviare a questo inconveniente e
contemporaneamente per offrire all’ospedale un servizio completamente
gratuito e senza limiti di utilizzo, si è richiesto il supporto dell’U.O.C
Sistemi Informativi. Si è quindi indagata la possibilità di usufruire di
un server (interno all’opsedale) su cui, previa configurazione delle porte
di accesso e di varie impostazioni necessarie al corretto funzionamento
dell’applicazione, è stato caricato il software.
Il server messo a disposizione è dotato di sistema operativo CentOS

7 (una distribuzione di Linux) e l’accesso all’applicazione è riservato
solamente ai computer della rete ospedaliera. Il vantaggio di questa
configurazione sta nel fatto di poter usufruire, per un numero illimitato
di ore, dell’applicazione sviluppata.
122
5.4. OPPORTUNITÀ DI MIGLIORAMENTO
5.4 Opportunità di miglioramento
La modalità di upload degli scontrini necessaria all’utilizzo dell’applica-

zione rimane problematica per quanto riguarda il caricamento di un alto
numero di scontrini (situazione che può verificarsi spesso soprattutto se
si decide di utilizzare l’applicazione a cadenza mensile o trimestrale).
La soluzione a questo problema è relativamente semplice: sfruttando la

possibilità di collegare le lavaendoscopi alla rete dell’ospedale (tramite
degli attacchi di rete presenti sulle macchine stesse) e configurando le
stesse macchine per far sì che eseguano i backup su una cartella interna
alla rete informatica dell’ospedale, i file degli scontrini potrebbero essere
salvati direttamente sul server dove attualmente è installata “INSIGHT”.
La stessa applicazione dovrà quindi essere modificata in modo da
eliminare definitivamente il passaggio obbligato di “caricamento”, in
quanto gli algoritmi di analisi degli stessi potrebbero essere eseguiti
ogniqualvolta una lavaendoscopi esegua un ciclo di lavaggio. Così
facendo, si avrebbe un monitoraggio quasi in real-time delle performance
dei dispositivi. Una soluzione di questo tipo si presta bene anche a
sviluppi futuri quali la progettazione e l’implementazione di un database
nel quale poter inserire, di volta in volta, gli scontrini di lavaggio per
avere a disposizione una struttura dati altamente organizzata e sicura
sulla quale poter svolgere, secondo necessità, altre tipologie di analisi.
Tuttavia, non è stato possibile testare questa soluzione in quanto le
lavaendoscopi sono di nuova acquisizione e i lavori impiantistici per la
123
predisposizione delle prese di rete sono ancora in fase di svolgimento.
Per quanto riguarda l’applicazione “INSIGHT”, essa potrà essere ulte-

riormente sviluppata implementando una misura di riavvio automatico
per ripristinare il funzionamento del software in seguito ad interruzioni
impreviste del servizio. Questa modalità di sicurezza è chiamata “Up-
start”, la quale è normalmente presente tra le configurazioni possibili di
una applicazione Shiny. Con questa modalità è infatti possibile fare in
modo che qualsiasi interruzione imprevista del servizio venga identifica-
ta e risolta tramite un riavvio del server. Di conseguenza un eventuale
crash non determinerebbe la necessità di intervenire manualmente (tra-
mite il terminale di comando) per riavviare il servizio. Purtroppo però
questa modalità è implementabile solo sui sistemi operativi Ubuntu
14.04 e RedHat 6, quindi il sistema attualmente in uso può essere
riavviato solo manualmente. La soluzione più semplice sarebbe quella
di cambiare sistema operativo e ripetere l’installazione del software con
il nuovo sistema.
124
5.5. PUNTI DI FORZA
5.5 Punti di forza
Terminato lo sviluppo, è stato chiesto alla responsabile di reparto di

testare l’applicazione e di riportare eventuali osservazioni e giudizi circa
la sua utilità. “INSIGHT” è stata ritenuta una applicazione utile ed
efficace per diversi aspetti:
• l’applicazione rivoluziona la modalità di monitoraggio delle perfor-

mance legate ai cicli di lavaggio. Grazie al software si passa da una
serie di attività svolte manualmente (raccolta e conservazione degli
scontrini cartacei ai fini di consultazione in un momento successivo)
ad una gestione informatizzata che garantisce la correttezza dei
dati raccolti e rapidità di consultazione degli stessi.
• l’applicazione sviluppata presenta un menù laterale chiaro e lineare
la cui navigazione procede dall’alto verso il basso, aiutando quindi
l’utente a selezionare di volta in volta i campi necessari e guidandolo
nell’esplorazione dei dati;
• l’applicazione non necessita di dischi di installazione o di licenze a
pagamento. Per utilizzarla è sufficiente collegarsi ad uno specifico
url e l’utilizzo della stessa è gratuito e illimitato;
• la possibilità di visualizzare l’andamento nel tempo del numero
di cicli regolari e irregolari è uno strumento che, oltre ad un
notevole risparmio di tempo rispetto al precedente calcolo eseguito
analizzando uno ad uno gli scontrini cartacei, permette di tenere
sotto controllo le prestazioni generali dei cicli di lavaggio in seguito
125
ad interventi come ore di training aggiuntive o ad interventi di

manutenzione sugli strumenti.
• i grafici a barre, gli info boxes e i diagrammi di flusso risultano chiari
e, grazie all’interattività, permettono di ottenere informazioni in
modo rapido e preciso senza dover operare con fogli di calcolo o
altri strumenti.
In generale, quindi, il software sviluppato si è dimostrato uno strumento

utile per poter gestire le problematiche relative alla riprocessazione degli
strumenti endoscopici su più livelli (analisi degli allarmi, strumentazione
endoscopica e operatori). Il software ha permesso quindi di digitalizzare
un processo che prima veniva svolto manualmente, ottenendo uno
snellimento delle procedure e un risparmio in termini di tempo.
126
Capitolo 6
Conclusioni
In questo capitolo finale verranno riassunti i risultati ottenuti, a fronte

delle criticità e dei problemi incontrati durante tutte le fasi dell’espe-
rienza di tirocinio. Successivamente, il capitolo tratterà degli sviluppi
futuri riguardo sia la parte di manutenzione predittiva studiata, sia
quella legata al software sviluppato.
127
CAPITOLO 6. CONCLUSIONI
6.1 Risultati ottenuti
In questo lavoro di tesi si è indagata l’effettiva applicabilità di una

strategia di manutenzione predittiva ad una famiglia di dispositivi
medici sfruttando le tecnologie presenti in Azienda. Vista la natura
innovativa e sperimentale del lavoro svolto, sono state incontrate diverse
difficoltà legate alla varietà di tecnologie e metodiche utilizzate. Molte
di queste sono state risolte, mentre per altre è stato suggerito un
ventaglio di opzioni atte alla loro risoluzione.
La prima difficoltà del progetto si è rivelata la mancanza di dispositivi

medici dotati di sensori dai quali ricavare dei dati utili ai fini di analisi
predittive. Come già visto, si è quindi scelto di utilizzare i log macchina,
per estrapolare dati specifici sullo “stato di salute” della tecnologia
da correlare con quelli relativi ai dati presenti nel software di gestione
della manutenzione al fine di sviluppare un modello di predizione che
imparasse dalla storia passata per, idealmente, predire l’insorgenza di
guasti nella macchina stessa.
Ci si è quindi imbattuti nella difficoltà relativa all’ottenimento dei dati

delle apparecchiature biomedicali, date le caratteristiche di costruzione
delle stesse, che proteggono l’accesso al software di sistema ad utenti
non autorizzati, complicando così l’estrazione dei log macchina. Conse-
guentemente, si è identificata una famiglia di apparecchiature chiamate
lavaendoscopi caratterizzate dall’emissione, a termine di ogni ciclo di
lavaggio effettuato, di uno scontrino di lavaggio molto simile, come
128
6.1. RISULTATI OTTENUTI
struttura e contenuto informativo, ai log macchina. Utilizzando i dati di

backup, equivalenti a 3 anni di attività, contenuti in una lavaendoscopi
ormai dismessa e utilizzando le informazioni relative alla manutenzione
effettuata negli anni sulla stessa macchina, sono stati sviluppati dei
modelli predittivi. Le performance, sebbene non ottimali, dei modelli
ottenuti potranno essere migliorate con successive estrazioni dei dati
di backup, in modo da aumentare il numero di dati a disposizione e
conseguentemente facilitare la fase di apprendimento dei modelli.
Oltre allo sviluppo dei suddetti modelli, è stata sviluppata una web
app per il monitoraggio e l’analisi delle performance delle lavaendoscopi
a partire dai dati contenuti nei file di backup. Lo strumento sviluppato
è stato accolto positivamente dal reparto che ha riconosciuto, nel suo
utilizzo, un valido alleato per l’ottimale organizzazione e gestione delle
attività di re processing collegate all’utilizzo delle lavaendoscopi.
129
CAPITOLO 6. CONCLUSIONI
6.2 Sviluppi futuri
L’impossibilità iniziale di identificare una famiglia di dispositivi facili

da approciare per quanto riguarda l’estrazione dei dati (sensoristici o
log macchina), è indicativa di come le apparecchiature biomediche siano
sistemi “chiusi”, inadatti, cioè, ad essere analizzati liberamente (a livello
di manipolazione ed interazione con il software di sistema) senza prima
aver consultato il produttore. Questa “chiusura” è tipica di qualsiasi
prodotto tecnologico pensato per generare un ritorno economico al
produttore. Le caratteristiche tecnologiche e tecniche di un determinato
prodotto sono spesso protette da brevetti o segreti industriali che
assicurano al produttore la sua “fetta di mercato”. La protezione
di queste caratteristiche e funzionalità è vitale, per il produttore di
tecnologie, per mantenersi sul mercato ed espandersi.
Lo sviluppo sempre più diffuso di applicazioni di intelligenza artificia-

le sta facendo nascere nuovi mercati e nuove possibilità di business,
orbitanti intorno alla capacità di gestire e analizzare sempre più da-
ti. Questo fatto si tradurrà nella tendenza delle case produttrici di
apparecchiature biomediche ad offrire, tra le caratteristiche di un dispo-
sitivo, nuove funzionalità legate al controllo e all’analisi di questi dati
per, ad esempio, potenziare funzionalità di auto diagnostica in modo
da ottimizzare i costi diminuendo i fermi macchina dovuti a guasti
inattesi. Sarà quindi alle case produttrici cui bisognerà affidarsi per
implementare strategie di manutenzione predittiva.
130
Dall’altra parte, un servizio di Ingegneria Clinica dovrà essere in grado
di determinare e comprendere, al momento di valutazione di acquisto di
una nuova tecnologia da inserire nel parco macchine aziendale, la qualità
del servizio di manutenzione predittiva che viene offerto. Ciò si traduce
quindi in nuove prospettive per il futuro dell’ingegneria clinica andando
ad analizzare le performance di predizione e assicurarsi, ovviamente,
che gli studi sui modelli utilizzati da queste nuove tecnologie siano state
studiate e testate in modo approfondito. Le nuove attività rientrano
quindi in quelle caratteristiche della Data Science, nella quale l’analisi
statistica, la gestione e la modellizzazione dei dati tramite strumenti di
programmazione e la conoscenza dei metodi di Data Mining ne sono i
pilastri portanti.
Per quanto riguarda il software sviluppato, secondo quanto suggerito

nel capitolo precedente, gli sviluppi futuri potrebbero interessare il
miglioramento del modulo di upload secondo una riprogettazione del
software stesso sfruttando i collegamenti in rete delle lavaendoscopi,
quando questi verranno configurati e attivati. Per quanto riguarda il
miglioramento del modulo di manutenzione predittiva implementato
nel software, invece, sarebbe interessante utilizzare lo stesso metodo
adottato nel presente lavoro a distanza di qualche anno, per verificare
nuovamente le performance di previsione con una più grande quantità
di dati a disposizione.
131
Bibliografia e sitografia
[1] “Azienda Socio-Sanitaria Territoriale (ASST) di Vimercate.”

http://tiny.cc/organigramma-vimercate.
[2] P. Costruzioni, “Pessina costruzioni 2009 - ospedale vimercate

monografia.”.
[3] “Gazzetta Ufficiale Della Repubblica Italiana,” DECRETO LEGI-

SLATIVO 25 gennaio 2010, n. 9. http://tiny.cc/xoaybz.
[4] I. C. ASST Vimercate, “Procedura manutenzione programmata.”

2013.
[5] I. C. ASST Vimercate, “Procedura manutenzione correttiva.” UOC

Ingegneria Clinica ASST Vimercate, 2013.
[6] B. Schmidt, U. Sandberg, and L. Wang, “NEXT GENERATION

CONDITION BASED PREDICTIVE MAINTENANCE,” p. 8.
[7] M. Maccarelli, “Manutenzione: tutte le definizioni delle norme di

riferimento,” Certifico Srl. https://www.certifico.com/normazione/173-
133
documenti-riservati-normazione/documenti-estratti-norme/3135-
manutenzione-tutte-le-definizioni-delle-norme-di-riferimento.
[8] “Prestazioni Ambulatoriali | Open Data Regione Lombardia.”

http://tiny.cc/gfa88y.
[9] M. S. Manak et al., “Live-cell phenotypic-biomarker microfluidic

assay for the risk stratification of cancer patients via machine learning,”
Nature Biomedical Engineering, vol. 2, no. 10, p. 761, Oct. 2018.
[10] P. Wang et al., “Development and validation of a deep-learning

algorithm for the detection of polyps during colonoscopy,” Nature
Biomedical Engineering, vol. 2, no. 10, p. 741, Oct. 2018.
[11] “Stock performance modeling using neural networks: A

comparative study with regression models - Semantic Scholar.”
http://tiny.cc/8qblbz.
[12] T. Nagem, R. Qahwaji, S. Ipson, Z. Wang, and A. Al-Waisy, “Deep

Learning Technology for Predicting Solar Flares from (Geostationary
Operational Environmental Satellite) Data,” International Journal of
Advanced Computer Science and Applications, vol. 9, Feb. 2018.
[13] S. Sun, S. Wang, Y. Wei, X. Yang, and K.-L. Tsui, “Forecasting

tourist arrivals with machine learning and internet search index,” 2017,
pp. 4165–4169.
[14] S. Levantesi and V. Pizzorusso, “Application of Machine Learning
134
to Mortality Modeling and Forecasting,” Risks, vol. 7, p. 26, Feb. 2019.
[15] M. Battifarano, D. DeSmet, A. Madabhushi, and P. Nabar, “Pre-

dicting Future Machine Failure from Machine State Using Logistic
Regression,” arXiv:1804.06022 [stat], Apr. 2018.
[16] S. Kullback and R. A. Leibler, “On Information and Sufficiency,”

The Annals of Mathematical Statistics, vol. 22, no. 1, pp. 79–86, Mar.
1951.
[17] Z. Tian, “An artificial neural network method for remaining useful
life prediction of equipment subject to condition monitoring,” Journal
of Intelligent Manufacturing, vol. 23, pp. 227–237, 2012.
[18] P. Malhotra, L. Vig, G. Shroff, and P. Agarwal, “Long Short Term

Memory Networks for Anomaly Detection in Time Series,” Computa-
tional Intelligence, p. 6, 2015.
[19] R. Sipos, D. Fradkin, F. Moerchen, and Z. Wang, “Log-based

predictive maintenance,” in Proceedings of the 20th ACM SIGKDD
international conference on Knowledge discovery and data mining -
KDD ’14, 2014, pp. 1867–1876.
[20] “Manuale Utente INSIGHT.” http://tiny.cc/xoblbz.
135

Manutenzione Elettromedicali

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Manutenzione Elettromedicali

Caricato da

Copyright:

Formati disponibili

POLITECNICO DI MILANO

Corso di Laurea Magistrale in Ingegneria Biomedica

Relatore: Prof. Veronica Cimolin

Tesi di Laurea di:

Anno Accademico 2018-2019

L’utilizzo delle tecnologie digitali sta innegabilmente assumendo un

In quest’ottica si inserisce la volontà di utilizzare parte di questa

Lo scopo di questa tesi è di indagare quindi le reali possibilità, per

The use of digital technologies is undeniably assuming a key role in

In this perspective, the main goal is to exploit part of this massive

Therefore, the purpose of this thesis is to investigate the real possibili-

L’attività di tirocinio svolta presso l’ASST di Vimercate è stata indub-

Un ringraziamento a tutte le persone che mi hanno supportato in questo

All’Ingegner. Motta, per avermi seguito con infinita disponibilità e

Alla Professoressa Cimolin, per la gentilezza, la disponibilità e per tutto

All’Ingegner. Martorina, per avermi supportato (e sopportato) come

2 La manutenzione dei dispositivi medici 19

3 Manutenzione predittiva e tecnologie digitali 45

4 La manutenzione predittiva presso l’ASST Vimercate 71

5 Web App INSIGHT 107

1.1.1 Rete territoriale ATS Brianza e ASST Vimercate . . . 5

2.3.1 Ruoli dei diversi attori coinvolti nella manutenzione

3.3.1 Numero di prestazioni ambulatoriali in ASST Vimercate

4.3.1 Lava-Sterilizzatrice MEDIVATORS®ISA® . . . . . . . 80

5.2.1 Sidebar, Date-picker e menù dei numeri seriali . . . . . 112

4.3.1 Numero totale di attività cliniche suddivise per tipo-

Questo capitolo introduttivo sarà dedicato all’organizzazione dell’ASST

1.1 Organizzazione della ASST Vimercate

Il presente lavoro di tesi è frutto dell’esperienza di tirocinio svolta presso

L’Azienda Socio Sanitaria Territoriale di Vimercate è parte del Sistema

L’attuale assetto organizzativo dell’Azienda deriva dalla riorganizzazio-

Le ASST si articolano in due settori aziendali rispettivamente definiti

Il settore aziendale polo ospedaliero si articola in presidi ospedalieri

Il settore aziendale rete territoriale eroga prestazioni specialistiche, di

di quelle ora espressamente attribuite alle ATS, tra cui: assistenza

1.1.1 Polo Ospedaliero

Si riportano le strutture facenti parte del Polo Ospedaliero:

• Ospedale Vittorio Emanuele III a Carate Brianza

• Ambulatori territoriali neuropsichiatrie infanzia/adolescenza di

1.1.2 Rete Territoriale

• Distretto di Carate Brianza

Nella mappa riportata in figura 1.1.1 è visibile, in blu, il territorio

Figura 1.1.1: Rete territoriale ATS Brianza e ASST Vimercate

1.1.3 La Mission Aziendale

La missione dell’Azienda è quella di contribuire alla promozione, al

definiti dal Piano Sanitario Nazionale e dal Piano Sanitario Regionale.

L’Azienda, conformemente alle indicazioni Regionali, ha strutturato

In figura 1.1.2 viene riportato l’organigramma aziendale in cui sono

Figura 1.1.2: Organigramma aziendale

Costituiscono la Direzione Strategica dell’Azienda, unitamente al Diret-

e di valutazione dei risultati, propria della Direzione Strategica. Essi

In particolare, le funzioni proprie di ogni Direzione possono essere

• Direzione Generale: il Direttore Generale rappresenta legal-

• Direzione Amministrativa: il Direttore Amministrativo dirige

– svolge attività di direzione e coordinamento, nei confronti dei

• Direzione Sanitaria: il Direttore Sanitario dirige i servizi sani-

– svolge attività di indirizzo, coordinamento, supporto, verifica

• Direzione Socio-Sanitaria: il Direttore Sociosanitario dirige il

1.1.4 Il presidio di Vimercate

Nella figura 1.1.3 viene riportata un’immagine dell’ingresso principale

Figura 1.1.3: Ospedale di Vimercate, ingresso

Il Presidio di Vimercate vanta una storia millenaria: nacque, grazie

sotto la spinta del Conte Trotti, sovrintendente dell’ospedale, il noso-

Dal gennaio 1998 Vimercate è l’Ospedale capofila dell’Azienda Ospe-